conversation_by_0ua
-
jak mam policzyć procent czułości w następującym przykładzie rozróżniania psów od kotów: rozróżniać psy od kotów. W zbiorze testowym, 15 psów poprawnie ocenił jako psy (przykłady prawdziwie pozytywne), 10 kolejnych psów błędnie określił jako koty (przykła
-
jak mam policzyć procent czułości w następującym przykładzie rozróżniania psów od kotów: rozróżniać psy od kotów. W zbiorze testowym, 15 psów poprawnie ocenił jako psy (przykłady prawdziwie pozytywne), 10 kolejnych psów błędnie określił jako koty (przykła
Aby policzyć procent czułości w tym przykładzie rozróżniania psów od kotów, musisz wiedzieć, ile psów zostało poprawnie rozpoznanych jako psy, oraz ile psów jest w ogóle w zbiorze danych.
W tym przypadku, 15 psów zostało poprawnie rozpoznanych jako psy (przykłady prawdziwie pozytywne). Aby obliczyć procent czułości, musisz podzielić liczbę poprawnie rozpoznanych psów (15) przez liczbę wszystkich psów w zbiorze danych testowym (15 + 10 = 25, ponieważ 10 psów zostało błędnie określonych jako koty), a następnie pomnożyć przez 100:
(15 / 25) x 100 = 60%
Zatem procent czułości w tym przypadku wynosi 60%.
-
Czym jest zbiór uczący?
-
Czym jest zbiór uczący?
Zbiór uczący (inaczej treningowy, ang. train set) to zbiór danych, dla których model zna poprawne odpowiedzi i na których jest trenowany.
-
co to są testy w uczeniu maszynowym?
-
co to są testy w uczeniu maszynowym?
W uczeniu maszynowym, testy są zbiorem danych, który nie był używany do trenowania modelu. Są one używane do oceny jakości modelu i jego zdolności do generalizowania na nowe dane. Testy są niezależne od danych treningowych i walidacyjnych, co oznacza, że model nie miał dostępu do nich podczas trenowania.
Testy są ważnym elementem procesu uczenia maszynowego, ponieważ pozwalają ocenić, jak dobrze model jest w stanie rozpoznać dane, które nie były wcześniej widziane. W przypadku, gdy model jest trenowany na danych treningowych i walidacyjnych, ale nie ma dostępu do danych testowych, to jego wyniki na danych testowych są bardziej wiarygodne i mogą być uważane za miarę jego zdolności do generalizowania.
W praktyce, testy są często używane do oceny dokładności modelu, czyli jego zdolności do poprawnego rozpoznania danych. Dokładność modelu jest mierzona przez różne metryki, takie jak dokładność, czułość, specyficzność itp.
Przykładem może być następująca sytuacja: mamy model, który ma za zadanie rozróżniać psy od kotów. Model jest trenowany na danych treningowych i walidacyjnych, ale nie ma dostępu do danych testowych. Po trenowaniu model jest oceniany na danych testowych, które nie były wcześniej widziane. Wyniki modelu na danych testowych są następnie porównywane z wynikami na danych treningowych i walidacyjnych, aby ocenić, jak dobrze model jest w stanie generalizować na nowe dane.
-
czym jest sztuczna inteligencja?
-
czym jest sztuczna inteligencja?
Sztuczna inteligencja (AI) to ogólne określenie na zbiór metod i technik, które umożliwiają tworzenie systemów komputerowych, które mogą myśleć, uczyć się i podejmować decyzje w sposób podobny do ludzi. W kontekście kursu, sztuczna inteligencja jest szeroko pojęta i obejmuje różne poddyscypliny, takie jak:
- Sztuczna inteligencja ogólna (AGI) - rodzaj sztucznej inteligencji, który dorównuje lub przewyższa ludzkie zdolności poznawcze w szerokim zakresie zadań poznawczych.
- Przyjazna sztuczna inteligencja (FAI) - hipotetyczna sztuczna ogólna inteligencja, która miałaby pozytywny wpływ na ludzkość.
- Symboliczna sztuczna inteligencja - zbiór metod w badaniach nad sztuczną inteligencją, które opierają się na wysokopoziomowych „symbolicznych” (czytelnych dla człowieka) reprezentacjach problemów, logiki i wyszukiwania.
- Rozproszona sztuczna inteligencja (DAI) - subdyscyplina badań nad sztuczną inteligencją poświęcona rozwojowi rozproszonych rozwiązań problemów.
Sztuczna inteligencja jest szeroko stosowana w różnych dziedzinach, takich jak nauka, biznes, medycyna i inżynieria, aby tworzyć systemy, które mogą podejmować decyzje, rozwiązywać problemy i wykonywać zadań w sposób bardziej efektywny i efektywny.
-
czym jest gtm?
-
czym jest gtm?
Google Teachable Machine (GTM) to przeglądarkowe narzędzie udostępnione przez firmę Google, które umożliwia tworzenie modeli Uczenia Maszynowego (oraz zapisywanie ich do wykorzystania w dowolnych zastosowaniach). Do korzystania z GTM nie są potrzebne żadne umiejętności programistyczne ani matematyczne, wystarczy jedyne ogólne zrozumienie, czym Uczenie Maszynowe jest.
-
czym jest uczenie maszynowe?
-
czym jest uczenie maszynowe?
-
czym jest uczenie maszynowe?
Uczenie maszynowe (UM) to obszar Sztucznej Inteligencji (AI) koncentrujący się na rozwijaniu algorytmów automatycznie poprawiających się poprzez doświadczenie, czyli ekspozycję na dane. Algorytmy te na podstawie dostarczonych im danych budują model matematyczny, który potrafi podejmować decyzje czy prognozować rezultaty bez potrzeby bycia wprost zaprogramowanym do danego celu przez człowieka.
Główne elementy Uczenia Maszynowego to:
- dane - duże zbiory danych używane do trenowania i testowania działania modelu
- model - matematyczna reprezentacja problemu, uczona na podstawie danych
- algorytm - zestaw reguł i procedur używany do uczenia modelu na podstawie danych
- funkcja straty - funkcja używana do oceny, jak dobrze model działa - im niższa strata, tym lepszy model
- optymalizacja - proces dopasowywania parametrów modelu w celu minimalizacji funkcji straty
Uczenie Maszynowe jest szeroko stosowane między innymi w takich dziedzinach jak rozpoznawanie obrazów i dźwięków, analiza danych, budowanie złożonych modeli językowych, diagnostyka medyczna, autonomiczne sterowanie i wiele innych.
-
pokaż mi algorytm liczenia silni?
-
Załóżmy, że mamy model, który ma rozróżniać psy od kotów. W zbiorze testowym, 15 psów poprawnie ocenił jako psy (przykłady prawdziwie pozytywne), 10 kolejnych psów błędnie określił jako koty (przykłady fałszywie negatywne). 20 kotów poprawnie zostało oceni
-
czym jest ml?
-
czym jest ml?
Odpowiedź na pytanie kursanta jest zawarta w pierwszym fragmencie tekstu, który opisuje Glossary of artificial intelligence - A - Automatyczne uczenie maszynowe (AutoML).
"Automatyczne uczenie maszynowe (AutoML) – dziedzina uczenia maszynowego (ML), której celem jest automatyczna konfiguracja systemu ML w celu maksymalizacji jego wydajności (np. dokładności klasyfikacji)."
-
Załóżmy, że mamy model, który ma rozróżniać psy od kotów. W zbiorze testowym, 15 psów poprawnie ocenił jako psy (przykłady prawdziwie pozytywne), 10 kolejnych psów błędnie określił jako koty (przykłady fałszywie negatywne). 20 kotów poprawnie zostało oceni
-
Załóżmy, że mamy model, który ma rozróżniać psy od kotów. W zbiorze testowym, 15 psów poprawnie ocenił jako psy (przykłady prawdziwie pozytywne), 10 kolejnych psów błędnie określił jako koty (przykłady fałszywie negatywne). 20 kotów poprawnie zostało oceni
Aby odpowiedzieć na pytanie kursanta, musimy obliczyć wartości metryk dla jego modelu.
Dokładność (ang. accuracy) to stosunek wszystkich poprawnych klasyfikacji do wielkości zbioru testowego. W tym przypadku mamy w sumie 25 poprawnych ocen (15 psów poprawnie ocenionych jako psy i 10 kotów poprawnie ocenionych jako koty) na 35 przypadków (15 psów + 20 kotów), zatem dokładność modelu wynosi 25/35, czyli około 71%.
Precyzja (ang. precision) to stosunek liczby przypadków prawdziwie pozytywnych (czyli psów poprawnie ocenionych jako psy) do liczby wszystkich przypadków ocenjonych jako pozytywne. Dla naszego modelu to 15 przez (15 + 10), czyli 15/25, czyli 60%.
Czułość (ang. recall) mówi nam, jaki procent wszystkich przypadków pozytywnych (czyli wszystkich psów w zbiorze testowym) został prawidłowo rozpoznany przez model. U nas było to 15 z 25 psów, czyli czułość modelu wynosi 60%.
F-score to metryka będąca kompromisem pomiędzy precyzją a czułością. Oblicza się ją, najpierw obliczając te dwie metryki bazowe, a następnie podstawiając ich wartości do wzoru. F-score naszego modelu wynosi 60%.
-
czym jest precyzja