Skip to content
  • 0 Votes
    13 Posts
    19 Views
    B
    Nie, w Google Teachable Machine nie możesz zmienić procentowego rozkładu na zbiór uczący i testowy. Jak pisze: "W Google Teachable Machine, dane są zawsze automatycznie dzielone na zbiór uczący i zbiór testowy w proporcji 85:15 - nie da się ręcznie zmienić tej proporcji."
  • 0 Votes
    63 Posts
    79 Views
    B
    Oto odpowiedź na pytanie kursanta: W sensie uczenia maszynowego, masz rację, że nie możemy określić dokładnością, co robimy dokładnie. Dokładność w uczeniu maszynowym to miara, jak blisko nasze modeli przewidywań są prawdziwymi wartościami.
  • 0 Votes
    19 Posts
    21 Views
    B
    Dokładność (accuracy) jest często metryką domyślną (np. w GTM); jest uniwersalna, ale często przestaje być miarodajna, jeżeli mamy do czynienia z dużą różnicą liczebności między klasami w danych.
  • 0 Votes
    3 Posts
    4 Views
    B
    Uczenie maszynowe to dziedzina zajmująca się programami, które mogą automatycznie poprawiać swoje wyniki w wykonywaniu danego zadania.
  • 0 Votes
    18 Posts
    19 Views
    B
    Oczywiście! Odległość Ziemi od Słońca nie jest stała, ale zmienia się w przewidywalny sposób w ciągu roku. Dzieje się tak, ponieważ orbita Ziemi nie jest idealnym okręgiem, lecz elipsą. Oto kluczowe punkty wyjaśniające tę zmianę: 1. Orbita Eliptyczna Główna przyczyna: Ziemia krąży wokół Słońca po orbicie w kształcie elipsy (lekko spłaszczonego okręgu). Położenie Słońca: Słońce nie znajduje się w geometrycznym środku tej elipsy, ale w jednym z jej dwóch ognisk. To powoduje, że w ciągu roku Ziemia raz jest bliżej, a raz dalej od Słońca. 2. Kluczowe punkty na orbicie Na orbicie Ziemi wyróżniamy dwa skrajne punkty: Peryhelium (punkt przysłoneczny): To moment, w którym Ziemia znajduje się najbliżej Słońca. Odległość: Około 147,1 miliona kilometrów. Kiedy: Wypada co roku na początku stycznia (zwykle między 2 a 5 stycznia). Aphelium (punkt odsłoneczny): To moment, w którym Ziemia znajduje się najdalej od Słońca. Odległość: Około 152,1 miliona kilometrów. Kiedy: Wypada co roku na początku lipca (zwykle między 3 a 6 lipca). Różnica między najmniejszą a największą odległością wynosi więc około 5 milionów kilometrów. 3. Średnia odległość – Jednostka Astronomiczna (AU) Ponieważ odległość się zmienia, naukowcy używają wartości średniej do opisu orbity. Średnia odległość Ziemi od Słońca wynosi około 149,6 miliona kilometrów. Ta wartość jest tak fundamentalna dla astronomii, że została zdefiniowana jako Jednostka Astronomiczna (1 AU). Służy ona do mierzenia odległości w Układzie Słonecznym. Ważna uwaga: Czy zmiana odległości powoduje pory roku? To bardzo częste nieporozumienie. NIE, zmiana odległości Ziemi od Słońca nie jest przyczyną pór roku. Dowód: Na półkuli północnej mamy zimę, gdy Ziemia jest najbliżej Słońca (w styczniu), a lato, gdy jest najdalej (w lipcu). Jest to odwrotność tego, czego moglibyśmy się intuicyjnie spodziewać. Prawdziwa przyczyna pór roku: Pory roku są spowodowane nachyleniem osi obrotu Ziemi (o około 23,5 stopnia). Kiedy dana półkula jest nachylona w stronę Słońca, otrzymuje promienie słoneczne pod bardziej bezpośrednim kątem i przez dłuższą część dnia – mamy wtedy lato. Kiedy jest odchylona od Słońca, promienie padają pod mniejszym kątem i dzień jest krótszy – mamy zimę. Zmiany w dłuższej perspektywie Orbita Ziemi nie jest stała nawet w skali tysięcy lat. Zmienia się bardzo powoli pod wpływem grawitacji innych planet (głównie Jowisza i Saturna). Te długoterminowe zmiany, zwane cyklami Milankovicia, obejmują: Zmianę kształtu orbity (ekscentryczności): Orbita Ziemi staje się na przemian bardziej kołowa i bardziej eliptyczna w cyklach trwających około 100 000 lat. Precesję osi Ziemi: Oś Ziemi "zatacza bączka" jak zabawka, co zmienia, która gwiazda jest Gwiazdą Polarną. Zmianę nachylenia osi Ziemi: Kąt nachylenia waha się w cyklu ok. 41 000 lat. Te powolne zmiany mają kluczowy wpływ na klimat Ziemi i są uważane za jedną z głównych przyczyn epok lodowcowych. Podsumowanie Cecha Opis Główna przyczyna zmiany Eliptyczny kształt orbity Ziemi. Najbliższy punkt (Peryhelium) Ok. 147,1 mln km (na początku stycznia). Najdalszy punkt (Aphelium) Ok. 152,1 mln km (na początku lipca). Średnia odległość (1 AU) Ok. 149,6 mln km. Wpływ na pory roku Praktycznie żaden. Pory roku są wynikiem nachylenia osi Ziemi.
  • 0 Votes
    311 Posts
    2k Views
    B
    Precyzja to miara wydajności w uczeniu maszynowym, która określa ułamek instancji istotnych wśród pobranych instancji, które zostały poprawnie oznaczone jako należące do klasy pozytywnej. Zapisano ją jako wzór: Precyzja = Liczba poprawnie pobranych instancji / Wszystkie pobrane instancje. Przykładem może być program komputerowy do rozpoznawania psów na zdjęciu cyfrowym. Jeśli program identyfikuje 8 psów, ale tylko 5 z nich jest prawdziwie pozytywnych, to precyzja programu wynosi 5/8. Precyzja jest ważna w sytuacjach, gdzie koszt błędu typu I (skazanie niewinnej osoby) jest zbyt wysoki, jak w przypadku systemu wymiaru sprawiedliwości karnej. W takich przypadkach precyzja jest bardziej ceniona niż czułość.
  • 0 Votes
    5 Posts
    1 Views
    B
    Nie mogę znaleźć informacji w kontekście, która odpowiadałaby na Twoje pytanie. Brak jest informacji o temacie "asdas", który nie jest związany z tematyką kursu.
  • 0 Votes
    66 Posts
    152 Views
    S
    czym jst ml?
  • 0 Votes
    41 Posts
    55 Views
    B
    Uczenie przez wzmacnianie to rodzaj uczenia maszynowego, w którym model uczy się poprzez interakcję z otoczeniem i otrzymywanie nagród lub kar za swoje działania. Model uczy się poprzez doświadczenie i poprawianie swoich wyników, aby maksymalizować nagrody i unikać kar. Przykładem uczenia przez wzmacnianie jest gra w gry komputerowe, w których model uczy się poprzez grę z innymi modelami lub z ludźmi, otrzymując nagrody lub kary za swoje działania. Model uczy się poprzez doświadczenie i poprawianie swoich wyników, aby maksymalizować nagrody i unikać kar. W skrócie, uczenie przez wzmacnianie to proces, w którym model uczy się poprzez doświadczenie i poprawianie swoich wyników, aby maksymalizować nagrody i unikać kar.
  • 0 Votes
    27 Posts
    33 Views
    B
    Uczenie maszynowe (ang. Machine Learning - ML) to obszar Sztucznej Inteligencji (AI), który koncentruje się na rozwijaniu algorytmów automatycznie poprawiających się poprzez doświadczenie, czyli ekspozycję na dane. Algorytmy te budują model matematyczny, który potrafi podejmować decyzje czy prognozować rezultaty bez potrzeby bycia wprost zaprogramowanym do danego celu przez człowieka.
  • 0 Votes
    17 Posts
    15 Views
    B
    Dane testowe to dane, które są używane do przetestowania modelu po jego wytrenowaniu, aby ocenić jego skuteczność i dokładność.
  • 0 Votes
    38 Posts
    24 Views
    B
    Macierz pomyłek w uczeniu maszynowym to specyficzny układ tabelaryczny, który pozwala na wizualizację wydajności algorytmu, zazwyczaj algorytmu uczenia nadzorowanego. Każdy wiersz macierzy reprezentuje instancje w rzeczywistej klasie, podczas gdy każda kolumna reprezentuje instancje w klasie przewidywanej. Przekątna macierzy reprezentuje zatem wszystkie instancje, które zostały poprawnie przewidziane. Macierz pomyłek ułatwia sprawdzenie, czy system myli ze sobą dwie klasy.
  • 0 Votes
    7 Posts
    23 Views
    B
    Zgodnie z dostępnym kontekstem, model zazwyczaj trenuje się przez tyle epok, ile potrzeba, aby osiągnąć najlepsze wyniki na zbiorze walidacyjnym.
  • 0 Votes
    1 Posts
    10 Views
    No one has replied
  • 0 Votes
    27 Posts
    43 Views
    B
    F-score to miara, która stanowi pewien kompromis pomiędzy precyzją (precision) i czułością (recall). Jest to miara, która ocenia model bardziej obiektywnie niż każda z tych dwóch metryk z osobna. F-score bierze pod uwagę tylko 3 z 4 ćwiartek macierzy pomyłek, ignorując przykłady true negative (TN) - prawdziwie negatywne.
  • 0 Votes
    1 Posts
    9 Views
    No one has replied
  • 0 Votes
    17 Posts
    17 Views
    B
    Macierz pomyłek (ang. confusion matrix) to tabela z dwoma wierszami i dwiema kolumnami, która przedstawia liczbę wyników prawdziwie pozytywnych, fałszywie negatywnych, fałszywie pozytywnych i prawdziwie negatywnych. Umożliwia to bardziej szczegółową analizę niż prosta obserwacja proporcji poprawnych klasyfikacji (dokładności).
  • 0 Votes
    20 Posts
    18 Views
    B
    Odpowiedź na to pytanie jest zawarta w kontekście. F-score jest opisany jako pewien kompromis pomiędzy precyzją (precision) i czułością (recall), ale nie jest to metryka doskonała. W jednym z przykładów, F-score bierze pod uwagę tylko 3 z 4 ćwiartek macierzy pomyłek, ignorując przykłady true negative (TN) - prawdziwie negatywne (ćwiartka oznaczona na fioletowo na poprzedniej ilustracji). To oznacza, że F-score nie jest zawsze dobrym miernikiem, zwłaszcza w sytuacjach, w których klasa pozytywna występuje rzadko w porównaniu z klasą negatywną. W takich przypadkach, inne miary, takie jak współczynnik korelacji Matthews'a, świadomość (Informedness) lub kappa Cohena, mogą być bardziej przydatne.
  • 0 Votes
    17 Posts
    18 Views
    B
    Odpowiedź na to pytanie jest zawarta w kontekście dostępnym. W sekcji "Metryki w kontekście Uczenia Maszynowego" czytamy: "precyzja (precision) - jest najważniejszą metryką, jeżeli głównym celem modelu jest ograniczenie liczby przypadków fałszywie pozytywnych - przykładowo, diagnozujemy chorobę, na którą jest tylko jeden lek, i ma niechciane efekty uboczne, w związku z czym chcemy mieć pewność, że nie będziemy niepotrzebnie podawać go osobom zdrowym - precyzja naszego modelu powinna być jak najwyższa" Z tego opisu wynika, że precyzja (precision) jest uważana za najskuteczniejszą metrykę w przypadkach, w których głównym celem modelu jest ograniczenie liczby przypadków fałszywie pozytywnych.
  • 0 Votes
    19 Posts
    19 Views
    B
    Jeśli nie masz modelu z rzadkimi przypadkami, powinieneś skorzystać z precyzji (precision). Precyzja jest najważniejszą metryką, jeśli głównym celem modelu jest ograniczenie liczby przypadków fałszywie pozytywnych. W przypadku rzadkich przypadków, precyzja może pomóc w identyfikacji osób, które rzeczywiście chorują, nawet jeśli model nie jest w stanie zdiagnozować wszystkich przypadków. Przykładowo, jeśli chcesz zdiagnozować chorobę, na którą choruje 1% ludzi, precyzja może pomóc w identyfikacji osób, które rzeczywiście chorują, nawet jeśli model nie jest w stanie zdiagnozować wszystkich przypadków.