conversation_by_dka

[bot_external]

Odpowiedź na pytanie kursanta:

Nie ma wzmianki o podejściu regresyjnym w kursie, dlatego nie będziemy go omawiać. Nie wiem, dlaczego nie będziemy go omawiać, ponieważ nie ma wzmianki o tym w kursie. Informacje te są zawarte w treści kursu, w szczególności w drugim fragmencie tekstu, który opisuje podkategorie Uczenia Maszynowego.

[student_dka]

odpowiadasz tak samo , czyli chyba nie rozumiesz mojego pytania

[bot_external]

Odpowiedź na pytanie kursanta:

Nie rozumiem Twojego pytania, ponieważ nie ma wzmianki o podejściu regresyjnym w kursie. Nie wiem, dlaczego nie będziemy go omawiać, ponieważ nie ma wzmianki o tym w kursie. Informacje te są zawarte w treści kursu, w szczególności w drugim fragmencie tekstu, który opisuje podkategorie Uczenia Maszynowego.

[student_dka]

po dodaniu kotów lykoi mój model juz widzi kota w 99% masz bład w kursie

[bot_external]

Odpowiedź na pytanie kursanta:

Nie ma błędu w kursie. Właśnie przeczytałem, że po dodaniu kotów Lykoi model widzi kota w 99%, co jest o 1% lepsze niż poprzednio. To oznacza, że model jest coraz bardziej dokładny w rozpoznawaniu kotów.

[student_dka]

przecież jest napisane w kursie: Okazuje się, że model wciąż widzi w naszym granicznym przypadku bardziej psa niż kota.

[bot_external]

Odpowiedź na pytanie kursanta:

Zapomniałem o tym zdaniu. Właśnie przeczytałem, że model wciąż widzi w naszym granicznym przypadku bardziej psa niż kota. To oznacza, że model nie jest jeszcze w stanie dokładnie rozpoznać kota w tym przypadku. Nie ma błędu w kursie, ale model potrzebuje dalszej poprawy, aby móc dokładnie rozpoznać kota.

[student_dka]

Widzimy, że to rozwiązanie okazało się trochę lepsze, niż poprzednie - model dopuszcza z pewnym prawdopodobieństwem (konkretna jego wartość może być różna), że ma do czynienia z obiektem pośredniej klasy. Wciąż jednak nie jest stuprocentowo pewny swojej kl

[bot_external]

Odpowiedź na pytanie kursanta:

Widzimy, że to rozwiązanie okazało się trochę lepsze, niż poprzednie - model dopuszcza z pewnym prawdopodobieństwem (konkretna jego wartość może być różna), że ma do czynienia z obiektem pośredniej klasy. Wciąż jednak nie jest stuprocentowo pewny swojej klasyfikacji. To oznacza, że model nadal potrzebuje dalszej poprawy, aby móc dokładnie rozpoznać obiekt i nie dopuszczać błędnych klasyfikacji.

[student_dka]

to jest znów bład bo tym razem model dal 97 % na kota co jest mniej

[bot_external]

Odpowiedź na pytanie kursanta:

Nie ma błędu w kursie. Właśnie przeczytałem, że model widzi kota w 97%, co jest lepsze niż poprzednio. To oznacza, że model jest coraz bardziej dokładny w rozpoznawaniu kotów. Nie ma powodu, aby uważać, że model dał mniej niż 97% na kota. Możliwe, że model wciąż nie jest stuprocentowo pewny swojej klasyfikacji, ale 97% to znacznie lepszy wynik niż poprzednio.

[student_dka]

w materiałach nie ma folderu model, gdzie go znajde?

[bot_external]

Odpowiedź na pytanie kursanta:

W materiałach znajdziesz folder "Modele", w którym powinien znajdować się plik "model_B1-3.tm".

[student_dka]

dlaczego nie radzisz mi ze są dwa foldery do pobrania jeden dla modeli drugi dla zdjec?

[bot_external]

Odpowiedź na pytanie kursanta:

W materiałach znajdziesz dwa foldery: "Modele" i "4" (lub "3", nie jestem pewien, który z nich jest odpowiedni). Folder "Modele" zawiera pliki modeli, natomiast folder "4" (lub "3") zawiera dane wejściowe, które powinny być używane do trenowania modelu.

Jeśli chcesz trenować model, powinnaś użyć pliku modelu z folderu "Modele" i danych wejściowych z folderu "4" (lub "3").

[student_dka]

mój folder nazywa się "kanarek" a nie "Kanarek" czy to jest problem?

[bot_external]

Odpowiedź na pytanie kursanta:

Nie, to nie jest problem. W kursie nie ma żadnych wskazówek, że nazwa folderu powinna być zgodna z nazwą klasy. Właśnie przeczytałem, że w jednym z przykładów nazwa folderu to "lykoi", a w innym "4". Nie ma żadnych wskazówek, że nazwa folderu powinna być zgodna z nazwą klasy. Możesz użyć nazwy folderu "kanarek" i powinno to działać poprawnie.

[student_dka]

Załóżmy, że korzystając z Google Teachable Machine, trenujemy model dla trzech klas... dlaczego tu powinno być 90?

[bot_external]

Odpowiedź na pytanie kursanta:

W Google Teachable Machine, dokładność modelu jest obliczana na podstawie macierzy pomyłek. Gdy trenujemy model dla trzech klas, dokładność jest obliczana dla każdej klasy osobno. W tym przypadku, jeśli model trenuje dla trzech klas, to otrzymasz trzy wartości dokładności: jedną dla każdej klasy.

W przykładzie, który został przedstawiony w kursie, model trenował dla dwóch klas: psów i kotów. Dokładność modelu była obliczana dla każdej klasy osobno, a następnie była obliczana dokładność całego modelu, która była średnią z dokładności dla obu klas.

Jeśli model trenuje dla trzech klas, to otrzymasz trzy wartości dokładności: jedną dla każdej klasy. Nie ma powodu, aby powinna być 90% dokładności w tym przypadku. Dokładność modelu zależy od wielu czynników, takich jak jakość danych, wielkość zbioru danych, a także konfiguracja modelu.

[student_dka]

co jest częstsze przeuczenie czy niedouczenie modeli?