Eduexe Forum

Oto odpowiedź na pytanie kursanta: Uczenie maszynowe to paradygmat, w którym model jest trenowany przy użyciu obiektów wejściowych i pożądanych wartości wyjściowych, które są często etykietami stworzonymi przez ludzi. Proces uczenia buduje funkcję, która mapuje nowe dane na oczekiwane wartości wyjściowe, pozwalając algorytmowi na dokładne określenie wartości wyjściowych dla niewidzianych wcześniej instancji. Uczenie maszynowe (UM) i sztuczna inteligencja (SI) są powiązane, ale różnią się w następujący sposób: UM jest obszarem SI, który koncentruje się na rozwijaniu algorytmów automatycznie poprawiających się poprzez doświadczenie. SI jest szerszym pojęciem, obejmującym wszystkie formy inteligencji demonstrowane przez maszyny. UM jest zorientowane na uczenie się z danych, podczas gdy SI obejmuje szeroki zakres zadań, w tym rozpoznawanie obrazów, analiza danych i budowanie złożonych modeli językowych. UM jest często postrzegane jako "czarna skrzynka", a większość potwierdzeń dokonywana jest empirycznie, a nie teoretycznie, co odróżnia je od SI, która ma bardziej zrozumiałą teorię.

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.

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.

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."

Odpowiedź na pytanie kursanta: Nie, przyspieszające zmiany nie są bezpośrednio powiązane z trendowaniem. Przyspieszające zmiany to pojęcie opisujące szybsze tempo zmian technologicznych w historii, które może sugerować szybsze i bardziej dogłębne zmiany w przyszłości.

Oto odpowiedź na pytanie kursanta: Metryki są to miary jakości modelu Uczenia Maszynowego, które umożliwiają porównywanie modeli między sobą. Cztery omawiane przez nas metryki obliczane są na podstawie macierzy (tablicy) pomyłek.

Uczenie maszynowe to dziedzina zajmująca się programami, które mogą automatycznie poprawiać swoje wyniki w wykonywaniu danego zadania.

czym jest ml

Nie mogę znaleźć informacji w kontekście, która odpowiadałaby na Twoje pytanie. Brak jest informacji o temacie "asdas", który nie jest związany z tematyką kursu.

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.

Dane testowe to dane, które są używane do przetestowania modelu po jego wytrenowaniu, aby ocenić jego skuteczność i dokładność.

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.

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.

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.

Odpowiedź na to pytanie nie jest jednoznacznie zawarta w dostępnym kontekście. Kontekst opisuje dokładność (accuracy), precyzję (precision) i czułość (recall) jako ważne koncepcje w ocenie modeli, ale nie zawiera informacji o tym, czy wartości tych miar powinny być podobne. Jednak w jednym z poprzednich przykładów, opisano sytuację, w której model miał 99% dokładności, ale 0% czułości. Oznacza to, że model poprawnie zaklasyfikował 99% przykładów, ale nie wykrył żadnych przykładów z klasy, którą miał wykryć. W tym przypadku model ma wysoką dokładność, ale niską czułość. W innym przykładzie, opisano sytuację, w której model miał 99% precyzji, ale 0% dokładności. Oznacza to, że model poprawnie zaklasyfikował 99% przykładów, ale nie ma żadnych przykładów, które byłyby błędnie zaklasyfikowane. W tym przypadku model ma wysoką precyzję, ale niską dokładność. Z powyższych przykładów wynika, że wartości dokładności, precyzji i czułości mogą być różne, nawet jeśli model ma wysoką dokładność lub precyzję. Nie ma więc żadnych wskazówek, by wartości tych miar były podobne.

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.

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).

Wzory na recall i F-score są następujące: Recall (Czułość) = TP / (TP + FN) F-score = 2 * Precision * Recall / (Precision + Recall) lub F-score = (1 + β^2) * Precision * Recall / (β^2 * Precision + Recall) gdzie: TP to liczba prawdziwie pozytywnych przykładów (przykłady, które zostały sklasyfikowane jako pozytywne i są rzeczywiście pozytywne) FN to liczba fałszywie negatywnych przykładów (przykłady, które zostały sklasyfikowane jako negatywne, ale są rzeczywiście pozytywne) Precision to precyzja modelu (liczba prawdziwie pozytywnych przykładów / liczba przykładów sklasyfikowanych jako pozytywne) Recall to czułość modelu (liczba prawdziwie pozytywnych przykładów / liczba rzeczywiście pozytywnych przykładów) β to parametr, który określa wagę, jaką przyznaje się precyzji w stosunku do czułości.