conversation_by_0bc

[student_905_0bc]

Dlaczego w module A2 wybieramy jako projekt wizualny Standardowy model obrazu? Kiedy skorzystalibyśmy z drugiego modelu "Wtopiony model obrazu"?

[bot_external]

W module A2 wybieramy jako projekt wizualny Standardowy model obrazu, ponieważ w tym miejscu nie ma informacji o innym modelu, który byłby bardziej odpowiedni. Standardowy model obrazu jest najbardziej podstawowym modelem, który jest dostępny w Google Teachable Machine, i jest on używany jako punkt wyjścia dla większości projektów.

Jeśli chodzi o drugi model "Wtopiony model obrazu", nie ma wzmianki o nim w dostępnym kontekście. Nie wiemy, jakie są jego cechy i w jakich sytuacjach byłby on bardziej odpowiedni niż Standardowy model obrazu. Zatem nie możemy powiedzieć, kiedy skorzystać z drugiego modelu.

[student_905_0bc]

Jakie są alternatywne oprogramowania do trenowania modeli do Teachable Machine?

[bot_external]

Nie ma wzmianki o alternatywnych oprogramowaniach do trenowania modeli w dostępnym kontekście. Kontekst dotyczy wyłącznie Google Teachable Machine i nie zawiera informacji o innych narzędziach do trenowania modeli.

[student_905_0bc]

Powiedz mi coś o autorach kursu

[bot_external]

Nie ma wzmianki o autorach kursu w dostępnym kontekście.

[student_905_0bc]

Mój model nie pozwala mi wczytać obrazka do analizowania. Czym może być to spowodowane i jak to naprawić?

[bot_external]

Nie mogę znaleźć informacji w dostępnym kontekście, która mogłaby pomóc w rozwiązaniu problemu z wczytywaniem obrazka do analizowania. Kontekst dotyczy głównie problemów z trenowaniem modelu i poprawiania jego działania, a nie z wczytywaniem danych wejściowych.

[student_905_0bc]

Jak można rozwiązać problem przypadku granicznego między klasami?

[bot_external]

W przypadku rozwiązywania problemu przypadku granicznego między klasami, możemy wykorzystać dwie metody:

1. Dodanie dodatkowych danych, w tym przypadku prawidłowej, jednoznacznej identyfikacji, aby poszukać w nich więcej podobnych przypadków granicznych i dodać je do prawidłowych dla nich klas. Musi się ich jednak zebrać więcej niż kilka, by nasze działanie mogło odnieść skutek.
2. Stworzenie klasy pośredniej, w tym wypadku np. "Nieokreślone", i umieszczenie w niej wszystkich trudnych przypadków.

Te metody zostały opisane w kontekście jako rozwiązania problemu przypadku granicznego między klasami w przypadku, gdy model nie jest w stanie jednoznacznie zdecydować się na żadną z opcji lub decyduje niepoprawnie.

[student_905_0bc]

Czy w Google Teachable Machine mogę dostoswać procent danych testowych?

[bot_external]

Nie, w Google Teachable Machine nie możesz dostosować procentu danych testowych. Jak wskazano w kontekście, dane są automatycznie dzielone na zbiór uczący i zbiór testowy w proporcji 85:15 i nie da się ręcznie zmienić tej proporcji.

[student_905_0bc]

Wytłumacz mi na czym polega wielkość wsadu

[bot_external]

Wielkość wsadu (ang. batch size) to rozmiar porcji treningowej, czyli liczba przykładów, jaką model otrzymuje na raz do trenowania w pojedynczej iteracji swojego działania.

[student_905_0bc]

Czym w tym kontekście jest iteracja działania?

[bot_external]

W tym kontekście, iteracja działania oznacza pojedynczą porcję treningową, czyli liczbę przykładów, jaką model otrzymuje na raz do trenowania w swoim działaniu.

[student_905_0bc]

W jaki sposó zmienianie tej wartości wpływa na trenowanie modelu?

[bot_external]

W tym kontekście nie ma informacji o tym, jak zmiana wielkości wsadu wpływa na trenowanie modelu. Kontekst dotyczy głównie problemów z trenowaniem modelu i poprawiania jego działania, a nie z parametrów trenowania.

[student_905_0bc]

Czy wielkość wsadu jest jakoś zależna z procentem danych testowych?

[bot_external]

Nie, kontekst nie wskazuje, że wielkość wsadu jest w jakikolwiek sposób zależna od procentu danych testowych. Wielkość wsadu jest opisana jako rozmiar porcji treningowej, czyli liczba przykładów, jaką model otrzymuje na raz do trenowania w pojedynczej iteracji swojego działania, natomiast procent danych testowych jest automatycznie ustalony w Google Teachable Machine w proporcji 85:15.