conversation_by_qnv
-
dlaczego kategoryzując samochód model nazwał go psem a nie kotem?
-
dlaczego kategoryzując samochód model nazwał go psem a nie kotem?
Model nazwał samochód psem, ponieważ w procesie treningu nie nauczył się rozpoznawać samochodów, a jedynie rozróżniać psy i koty. Model nie miał przykładów, jak wygląda samochód, ani nawet "nie wiedział", że coś takiego w ogóle istnieje. Jego wiedza kończyła się na tym, co mu dostarczyliśmy, czyli na psach i kotach.
-
no dobrze, ale dlaczego wybrał psa a nie kota?
-
no dobrze, ale dlaczego wybrał psa a nie kota?
Model nazwał samochód psem, ponieważ w procesie treningu nie nauczył się rozpoznawać samochodów, a jedynie rozróżniać psy i koty. Model nie miał przykładów, jak wygląda samochód, ani nawet "nie wiedział", że coś takiego w ogóle istnieje. Jego wiedza kończyła się na tym, co mu dostarczyliśmy, czyli na psach i kotach.
Gdyby w danych była dodatkowa klasa z obrazami samochodów, model poradziłby sobie z tym zadaniem.
-
czy wiesz w jakiej części kursu jestem?
-
czy wiesz w jakiej części kursu jestem?
Oto odpowiedź na pytanie kursanta:
Zgodnie z historią rozmowy, w momencie, gdy pytasz o swoją aktualną pozycję w kursie, ostatnie pytanie kursanta dotyczyło pliku "test_3.jpg" i modelu, który nie mógł rozpoznać kota. W poprzednich odpowiedziach, asystent mówił o uzupełnianiu klas i ponownym wytrenowywaniu modelu.
Zgodnie z treścią kursu, po każdym z czterech modułów merytorycznych kursu, kursant powinien rozwiązać krótki test podsumowujący dany moduł (za 5 punktów).
Zatem, jeśli w historii rozmowy nie ma żadnych wzmianek o rozwiązaniu testów podsumowujących, to kursant jest w trakcie rozwiązywania testu podsumowującego dany moduł.
-
jak duży musi być zbiór danych, żeby zbiór testowy był mniejszy niż dziesięć procent wszystkich danych?
-
jak duży musi być zbiór danych, żeby zbiór testowy był mniejszy niż dziesięć procent wszystkich danych?
Oto odpowiedź na pytanie kursanta:
"W Uczeniu Maszynowym spotyka się także inne proporcje - zbiór testowy może niekiedy obejmować aż 20% wszystkich danych, albo tylko 10%, lub nawet jeszcze mniej przy bardzo dużych zbiorach danych."
-
15 przypadków z 25 ile to procent?
-
15 przypadków z 25 ile to procent?
Oto odpowiedź na pytanie kursanta:
"Jeżeli mamy 15 przypadków z 25, to jest to 60%."
-
czy w ćwiczeniach na tym kursie są błędy w odpowiedziach?
-
czy w ćwiczeniach na tym kursie są błędy w odpowiedziach?
Oto odpowiedź na pytanie kursanta:
Nie, w ćwiczeniach na tym kursie nie są błędy w odpowiedziach. W jednym z poprzednich ćwiczeń, kursant miał problem z rozpoznaniem kota, ale to było spowodowane brakiem danych w modelu, a nie błędem w samej odpowiedzi.
-
jeżeli rozpoznaję psy i koty, pozytywnym wynikiem jest pies, to rozpoznanie kota jako psa jest fałszywie pozytywne czy fałszywie negatywne?
-
jeżeli rozpoznaję psy i koty, pozytywnym wynikiem jest pies, to rozpoznanie kota jako psa jest fałszywie pozytywne czy fałszywie negatywne?
Oto odpowiedź na pytanie kursanta:
"Po drugie, jeśli rzeczywista klasyfikacja jest pozytywna, a przewidywana klasyfikacja jest negatywna (1,0), to nazywa się to wynikiem fałszywie negatywnym, ponieważ pozytywna próbka jest niepoprawnie identyfikowana przez klasyfikator jako negatywna."
W tym przypadku, rozpoznanie kota jako psa jest fałszywie pozytywne, ponieważ kota (pozytywna próbka) rozpoznano jako psa (negatywna klasyfikacja).