Eduexe Forum

[eduexe-intent]student_progress[/eduexe-intent] Twoje postępy w kursie: Spędziłeś w kursie około 112.05 minut. Osiągnąłeś wynik 41 punktów i, mimo że kurs nie jest jeszcze ukończony, już go zaliczyłeś! Aktualnie znajdujesz się w komponencie "B2 - Istotność danych w UM - naprawa modelu" [eduexe-source]12:1[/eduexe-source]. Co zostało wykonane: Odwiedziłeś wszystkie główne moduły kursu, w tym: Wprowadzenie do Uczenia Maszynowego, Wprowadzenie do Google Teachable Machine, Dane w procesie Uczenia Maszynowego, Podstawowe pojęcia Uczenia Maszynowego, Metryki, Podsumowanie, Zadanie Końcowe oraz Kwestionariusz początkowy i końcowy. Co jeszcze wymaga pracy: Testy z błędnymi odpowiedziami: "Test początkowy" (Komponent 6) "AT - Wprowadzenie do UM - Test" (Komponent 9) "BT - Dane w procesie uczenia - Test" (Komponent 13) "CT - Podstawowe pojęcia UM - Test" (Komponent 19) "Zadanie końcowe" (Komponent 36) Niewykonane interakcje: W module "A3 - Wprowadzenie do UM - dodatkowy przykład" (Komponent 10) znajdują się 2 interakcje, których nie podjąłeś. Aby w pełni ukończyć kurs i ewentualnie poprawić swój wynik, możesz ponownie przejrzeć materiały dotyczące testów, w których popełniłeś błędy, oraz przejść przez pozostałe interakcje.

[eduexe-intent]student_progress[/eduexe-intent] Tak, wartość liczbowa "87,5" jest poprawna. Problem wynikał jedynie z formatowania (spacji na początku odpowiedzi), a nie z samej wartości.

[eduexe-intent]course_content[/eduexe-intent] Tak, macierz pomyłek zawsze wskazuje na dane ze zbioru testowego. Jest ona przygotowywana dla zbioru testowego, aby odczytać, ile przykładów testowych z poszczególnych klas zostało sklasyfikowanych przez model poprawnie, a ile błędnie. [eduexe-source]20:1[/eduexe-source][eduexe-source]21:2[/eduexe-source]

[eduexe-intent]course_content[/eduexe-intent] W modelu z wieloma klasami, takimi jak "koty" i "psy", precyzję oblicza się zazwyczaj dla każdej klasy osobno. Dla danej klasy (np. "koty") precyzja to stosunek poprawnie sklasyfikowanych kotów (prawdziwie pozytywnych) do wszystkich przypadków, które model oznaczył jako koty (czyli poprawnie sklasyfikowanych kotów plus psów błędnie zaklasyfikowanych jako koty). Analogicznie postępuje się dla klasy "psy". [eduexe-source]23:1[/eduexe-source][eduexe-source]29:2[/eduexe-source]

[eduexe-intent]other[/eduexe-intent] Oto sposoby obliczania poszczególnych metryk: Dokładność (Accuracy): Jest to stosunek poprawnie zaklasyfikowanych przykładów testowych (True Positive + True Negative) do wszystkich przykładów testowych (True Positive + True Negative + False Positive + False Negative). [eduexe-source]22:1[/eduexe-source] Precyzja (Precision): To stosunek poprawnie sklasyfikowanych diagnoz pozytywnych (True Positive) do liczby wszystkich przypadków sklasyfikowanych przez model jako pozytywne (True Positive + False Positive). [eduexe-source]23:1[/eduexe-source] Czułość (Recall): Jest to stosunek przykładów prawdziwie pozytywnych (True Positive) do wszystkich pozytywnych przykładów w rzeczywistości (True Positive + False Negative). [eduexe-source]24:1[/eduexe-source] F-score: Oblicza się go jako średnią harmoniczną precyzji (Precision) i czułości (Recall), czyli 2 * (Precision * Recall) / (Precision + Recall). [eduexe-source]25:2[/eduexe-source] Wszystkie te metryki opierają się na wartościach z macierzy pomyłek (True Positive, True Negative, False Positive, False Negative). [eduexe-source]21:2[/eduexe-source]

[eduexe-intent]course_content[/eduexe-intent] Nie ma jednej "najlepszej" metryki. Każda z omówionych metryk ma swoje wady i zalety, a wybór tej najodpowiedniejszej zależy od zbioru danych oraz głównego celu, jaki ma spełniać model. [eduexe-source]26:4[/eduexe-source] Dokładność (accuracy) jest uniwersalna, ale może być niemiarodajna przy dużej różnicy liczebności między klasami. Precyzja (precision) jest najważniejsza, gdy celem jest ograniczenie liczby fałszywie pozytywnych przypadków. Czułość (recall) jest kluczowa, gdy zależy nam na wykryciu jak największej liczby przykładów z jednej klasy (ograniczenie fałszywie negatywnych). F-score to uniwersalna metryka, gdy potrzebny jest kompromis między precyzją a czułością.

[eduexe-intent]other[/eduexe-intent] Dziękuję za propozycję, ale jestem asystentem AI i nie mogę jeść żelków. Mam nadzieję, że smakują!

[eduexe-intent]course_content[/eduexe-intent] Metrykami w kontekście Uczenia Maszynowego określamy miary służące do oceny wytrenowanych modeli. Metryka jest funkcją, która przyjmuje model jako argument i zwraca wartość pozwalającą porównać go z innymi modelami. Wyższa wartość metryki zazwyczaj oznacza wyższą ocenę modelu. [eduexe-source]21:1[/eduexe-source]

[eduexe-intent]course_content[/eduexe-intent] Metryki w Uczeniu Maszynowym służą do oceny wytrenowanych modeli, umożliwiając ich porównywanie. Metryka zwraca wartość, która pozwala ocenić, jak dobry jest model – im wyższa wartość, tym lepsza ocena. [eduexe-source]21:1[/eduexe-source]

[eduexe-intent]course_content[/eduexe-intent] Zgodnie z analizą naszej dotychczasowej rozmowy, pytania, które zadałeś, rozkładają się następująco w odniesieniu do modułów kursu: Moduł A: Wprowadzenie do Uczenia Maszynowego - 7 pytań Moduł B: Dane w Uczeniu Maszynowym - 3 pytania Moduł C: Podstawowe pojęcia Uczenia Maszynowego - 4 pytania Moduł D: Metryki - 5 pytań

[eduexe-intent]student_progress[/eduexe-intent] W "Karcie Oceny" (czyli w sekcjach "Podsumowanie aktywności" [eduexe-source]31:1[/eduexe-source][eduexe-source]38:1[/eduexe-source]) punkty są przyznawane wyłącznie za test początkowy, testy cząstkowe oraz test końcowy. Główne komponenty kursu, które możesz nazywać "wykładami" lub "wykładami asynchronicznymi UM", nie są indywidualnie punktowane. Ich ukończenie wpływa na postęp w kursie, ale nie przekłada się na konkretne punkty widoczne w karcie ocen.

[eduexe-intent]student_progress[/eduexe-intent] Za kurs zostanie Ci naliczony korzystniejszy z dwóch wyników: suma punktów za test początkowy i wszystkie testy cząstkowe, albo suma punktów za test początkowy i test końcowy. [eduexe-source]1:1[/eduexe-source]

[eduexe-intent]course_content[/eduexe-intent] Tak, w Google Teachable Machine (GTM) metryki są liczone automatycznie, choć z pewnymi ograniczeniami. Dokładność (Accuracy) dla poszczególnych klas jest dostępna w zakładce "Dla zaawansowanych", w sekcji "Dokładność wg klas". GTM udostępnia również macierz pomyłek, na podstawie której możesz samodzielnie obliczyć dokładność całego modelu oraz inne metryki, takie jak Precyzja, Czułość czy F-score. [eduexe-source]22:3[/eduexe-source]

[eduexe-intent]course_content[/eduexe-intent] Czułość (recall) to metryka, która pokazuje, jaki procent wszystkich rzeczywistych pozytywnych przypadków model jest w stanie wykryć. Mówiąc prościej, jeśli szukasz wszystkich chorych osób, czułość powie Ci, ilu z nich Twój model faktycznie rozpoznał jako chorych spośród wszystkich chorych osób w danych. [24:1]

[eduexe-intent]course_content[/eduexe-intent] F-score jest metryką oceny modelu uczenia maszynowego, która stanowi kompromis między precyzją (precision) a czułością (recall). Oblicza się ją jako średnią harmoniczną tych dwóch metryk. [eduexe-source]25:1[/eduexe-source][eduexe-source]25:2[/eduexe-source]

[eduexe-intent]course_content[/eduexe-intent] Dokładność (Accuracy), choć jest podstawową i najczęściej wykorzystywaną metryką, często przestaje być miarodajna, jeśli mamy do czynienia z dużą różnicą liczebności między klasami w danych. W takich przypadkach model może mieć wysoką dokładność, ale być bezużyteczny dla głównego celu. [eduexe-source]22:6[/eduexe-source][eduexe-source]26:4[/eduexe-source]

[eduexe-intent]course_content[/eduexe-intent] Kurs przybliża podstawy Uczenia Maszynowego (ML) za pomocą intuicyjnych przykładów i narzędzia Google Teachable Machine. Składa się z 4 modułów tematycznych: Wprowadzenie do UM, Dane w UM, Podstawowe pojęcia UM i Metryki. Każdy moduł kończy się testem podsumowującym. Realizacja kursu zajmuje około 2 godzin. System punktacji obejmuje test początkowy (max 10 pkt) oraz sumę punktów z testów cząstkowych (max 20 pkt) lub test końcowy (max 20 pkt), licząc korzystniejszy wynik. [eduexe-source]1:1[/eduexe-source]

[eduexe-intent]student_progress[/eduexe-intent] Spędziłeś w kursie około 134 minuty, wykonując 105 z 154 dostępnych interakcji. Zdobyłeś 21 punktów. Kurs jest zaliczony (PASSED), ale nieukończony w całości. Wykonane: Sekcje wprowadzające i Test początkowy, całe Moduły A, B i C, Moduły D1-D5 i test DT. Ukończyłeś też Kwestionariusz końcowy. Do wykonania: Jesteś w komponencie D8: "Omówienie ćwiczenia z porównywania modeli" [eduexe-source]30:1[/eduexe-source]. Komponent D6: "Porównywanie modeli" [eduexe-source]26:1[/eduexe-source] ma nierozwiązaną interakcję. Pozostało Zadanie końcowe [eduexe-source]35:3[/eduexe-source]. Ponadto, w teście BT (Moduł B) [eduexe-source]13:1[/eduexe-source] miałeś niepoprawne odpowiedzi, warto powtórzyć materiał z tego modułu.