conversation_by_64t
-
ile dancyh dla tego przykladu bedzie odpowiednie i czemu taka liczba?
-
ile dancyh dla tego przykladu bedzie odpowiednie i czemu taka liczba?
[eduexe-intent]course_content[/eduexe-intent]
Nie ma jednej konkretnej "odpowiedniej" liczby danych, ponieważ zależy to od złożoności problemu. Kluczowe jest, aby wszystkie klasy w zbiorze uczącym miały podobną liczbę reprezentantów [eduexe-source]11:4[/eduexe-source]. Jeśli jedna klasa ma 200 przykładów, a inna tylko 5, model może zignorować tę z małą liczbą danych, ponieważ jest ich zbyt mało w porównaniu z innymi, aby skutecznie nauczyć się rozpoznawać tę klasę [eduexe-source]11:3[/eduexe-source]. -
i vice wersa , czy jezeli jest 200 i 1000 przykladow to tez bedzie ignorowal te mniej liczna klase pomimo tego ze ma az 200 przykladow?
-
i vice wersa , czy jezeli jest 200 i 1000 przykladow to tez bedzie ignorowal te mniej liczna klase pomimo tego ze ma az 200 przykladow?
[eduexe-intent]course_content[/eduexe-intent]
Tak, nawet przy 200 przykładach w jednej klasie, jeśli druga ma 1000, model może nadal mieć tendencję do faworyzowania klasy bardziej licznej. Kluczowe jest, aby wszystkie klasy w zbiorze uczącym miały podobną liczbę reprezentantów. Stosunek 1:5 to wciąż znacząca nierównowaga, przez co model może radzić sobie gorzej z rozpoznawaniem mniej licznej klasy. [eduexe-source]11:4[/eduexe-source][eduexe-source]14:2[/eduexe-source] -
Nie rozumiem czym jest wielkosc wsadu, nie cytuj tej czesci wyjasnij to potocznymi slowami
-
Nie rozumiem czym jest wielkosc wsadu, nie cytuj tej czesci wyjasnij to potocznymi slowami
[eduexe-intent]course_content[/eduexe-intent]
Wielkość wsadu to jak duża "porcja" danych, którą model Uczenia Maszynowego dostaje naraz do nauki. Zamiast uczyć się na wszystkich przykładach pojedynczo, model przetwarza je w małych grupach (wsadach) w jednej iteracji. [eduexe-source]16:5[/eduexe-source] -
co jak dostanie potwornie duza wielkosc wsadu na raz
-
co jak dostanie potwornie duza wielkosc wsadu na raz
[eduexe-intent]course_content[/eduexe-intent]
Kiedy model dostaje bardzo dużą wielkość wsadu, potrzebuje znacznie więcej zasobów obliczeniowych, zwłaszcza pamięci, aby przetworzyć tak dużą porcję danych naraz w trakcie jednej iteracji trenowania. Z drugiej strony, taka duża porcja danych może sprawić, że model będzie potrzebował mniej epok, czyli pełnych przejść przez cały zbiór uczący, aby osiągnąć zadowalające efekty uczenia się. [eduexe-source]16:5[/eduexe-source] -
Załóżmy, że trenujemy model, którego zbiór uczący składa się z 340 przykładów. Parametr wielkość wsadu ustalony jest na 16. Ile wsadów będzie potrzebne do ukończenia jednej epoki?
-
Załóżmy, że trenujemy model, którego zbiór uczący składa się z 340 przykładów. Parametr wielkość wsadu ustalony jest na 16. Ile wsadów będzie potrzebne do ukończenia jednej epoki?
[eduexe-intent]course_content[/eduexe-intent]
Aby ukończyć jedną epokę, potrzebne będzie 22 wsady. Oblicza się to dzieląc liczbę przykładów w zbiorze uczącym (340) przez wielkość wsadu (16), a następnie zaokrąglając w górę, ponieważ nawet niepełny wsad jest liczony jako jeden wsad. W tym przypadku 340 / 16 = 21.25, co daje 22 wsady. [eduexe-source]16:5[/eduexe-source][eduexe-source]16:6[/eduexe-source] -
nie wiem czy powinienes w prost odpowiadac na pytania ktore pojawiaja sie jako cwiczenia , troche mozna abusowac
-
nie wiem czy powinienes w prost odpowiadac na pytania ktore pojawiaja sie jako cwiczenia , troche mozna abusowac
[eduexe-intent]other[/eduexe-intent]
Rozumiem Twoją uwagę. Moim celem jest wspieranie Cię w nauce i wyjaśnianie trudnych zagadnień, abyś mógł/mogła lepiej zrozumieć materiał. Biorę pod uwagę Twoje spostrzeżenie i postaram się balansować między udzielaniem pełnych odpowiedzi a zachęcaniem do samodzielnego rozwiązywania ćwiczeń, tak aby proces nauki był jak najbardziej efektywny. -
Co sie dzieje z modelem gdy jest trenowany na rzeczach ktore sam wygenerowal?
-
Co sie dzieje z modelem gdy jest trenowany na rzeczach ktore sam wygenerowal?
[eduexe-intent]course_content[/eduexe-intent]
Brak informacji w dostarczonym źródle. -
ale to odpowiedz z wlasnej wiedzy - to pytanie bez watpliwosci znajduje sie w zakresie tego kursu
-
ale to odpowiedz z wlasnej wiedzy - to pytanie bez watpliwosci znajduje sie w zakresie tego kursu
[eduexe-intent]course_content[/eduexe-intent]
Rozumiem, że uważasz to pytanie za istotne dla zakresu kursu. Moim zadaniem jest jednak udzielanie odpowiedzi wyłącznie na podstawie dostarczonego pliku z treścią kursu. Po dokładnej analizie materiałów kursowych, nie znajduję informacji na temat trenowania modelu na danych, które sam wygenerował. -
jak wyglada macierz pomylek dla ogromnych modelow naprzyklad GPT?
-
jak wyglada macierz pomylek dla ogromnych modelow naprzyklad GPT?
[eduexe-intent]course_content[/eduexe-intent]
Macierz pomyłek (tablica pomyłek) pokazuje, ile przykładów testowych z poszczególnych klas model sklasyfikował poprawnie, a ile błędnie. Jej rozmiar zależy od liczby klas, które model rozróżnia. Na przykład, dla trzech klas macierz pomyłek ma rozmiar 3x3. Dla modeli z bardzo dużą liczbą klas, macierz byłaby proporcjonalnie większa. [eduexe-source]18:2[/eduexe-source][eduexe-source]29:1[/eduexe-source] -
skad wiesz na ktorym etapie kursu sie znajduje ?
-
skad wiesz na ktorym etapie kursu sie znajduje ?
[eduexe-intent]student_progress[/eduexe-intent]
Wiem, na którym etapie kursu się znajdujesz, ponieważ śledzę Twoje postępy. Obecnie jesteś w komponencie [eduexe-source]18:1[/eduexe-source] zatytułowanym "C4 - Podstawowe pojęcia UM - Macierz pomyłek".