conversation_by_79w

[student_1021_79w]

Jak działa optymalizacja

[bot_external]

Optymalizacja to proces dopasowywania parametrów modelu w celu minimalizacji funkcji straty. [eduexe-source]7:1[/eduexe-source]

[student_1021_79w]

Co to jest przeuczenie

[bot_external]

Przeuczenie (ang. overfitting) to stan, w którym model za bardzo dopasował się do konkretnego zbioru uczącego (można powiedzieć, że zapamiętał poprawne odpowiedzi) i w efekcie nie radzi sobie z poprawną klasyfikacją w zbiorze testowym. [eduexe-source]20:1[/eduexe-source]

[student_1021_79w]

Jak temu przeciwdziałać?

[bot_external]

Aby przeciwdziałać przeuczeniu, należy obserwować wykres funkcji straty. Jeśli dla zbioru testowego strata przestaje maleć lub zaczyna rosnąć, może to świadczyć o przeuczeniu. Zbyt wiele epok treningu może prowadzić do zapamiętywania odpowiedzi zamiast uczenia się. [eduexe-source]17:4[/eduexe-source][eduexe-source]16:3[/eduexe-source]

[student_1021_79w]

Opowiedz o metrykach

[bot_external]

Metrykami w Uczeniu Maszynowym określamy miary oceny wytrenowanych modeli. Metryka jest funkcją, która przyjmuje model i zwraca wartość pozwalającą porównać go z innymi modelami. Im wyższa wartość metryki, tym wyższa ocena modelu. [eduexe-source]21:1[/eduexe-source]

[student_1021_79w]

Powiedz więcej na temat metryk

[bot_external]

Podstawą do obliczania metryk jest macierz pomyłek, która rozróżnia przypadki prawdziwie pozytywne (TP), prawdziwie negatywne (TN), fałszywie pozytywne (FP) i fałszywie negatywne (FN). [eduexe-source]21:2[/eduexe-source]

Najczęściej używane metryki to:

• Dokładność (Accuracy): Stosunek poprawnie zaklasyfikowanych przykładów do wszystkich przykładów testowych. [eduexe-source]22:1[/eduexe-source]
• Precyzja (Precision): Stosunek poprawnie sklasyfikowanych diagnoz pozytywnych do wszystkich przypadków sklasyfikowanych jako pozytywne. [eduexe-source]23:1[/eduexe-source]
• Czułość (Recall): Stosunek przykładów prawdziwie pozytywnych do wszystkich pozytywnych przykładów w rzeczywistości. [eduexe-source]24:1[/eduexe-source]
• F-score: Średnia harmoniczna precyzji i czułości, będąca kompromisem między nimi. [eduexe-source]25:2[/eduexe-source]

Każda metryka ma swoje zastosowanie i wady, w zależności od problemu i danych. [eduexe-source]26:4[/eduexe-source]

[student_1021_79w]

Wyjaśnij co to jest F-score

[bot_external]

F-score to metryka, która stanowi próbę stworzenia bardziej uniwersalnej miary oceny modelu, oparta jednocześnie na precyzji (precision) i czułości (recall). Oblicza się ją jako średnią harmoniczną precyzji i czułości. Jest to uniwersalna metryka, z której można korzystać, gdy potrzebny jest kompromis między precyzją a czułością modelu.
[eduexe-source]25:1[/eduexe-source][eduexe-source]25:2[/eduexe-source][eduexe-source]26:4[/eduexe-source]

[student_1021_79w]

Jak poruszać się po tym kursie?

[bot_external]

Po kursie możesz nawigować za pomocą strzałek znajdujących się na dole ekranu (poprzedni/następny ekran), za pomocą menu z lewej strony (zawierającego spis treści) oraz za pomocą przycisków (tam, gdzie będą dostępne). Kolejne elementy kursu będą stawały się widoczne w miarę Twoich postępów. [eduexe-source]1:1[/eduexe-source]

[student_1021_79w]

Jak wypełnić kwestionariusz?

[bot_external]

Kwestionariusz początkowy, o którym mowa w kursie, to test wiedzy z podstaw Uczenia Maszynowego, który rozwiązuje się na początku kursu. Ma on na celu zorientowanie się, ile już wiesz w tej dziedzinie. Za ten test możesz zdobyć maksymalnie 10 punktów. Nie ma szczegółowych instrukcji dotyczących sposobu wypełniania, poza tym, że jest to test wiedzy.
[eduexe-source]1:1[/eduexe-source][eduexe-source]3:1[/eduexe-source]

[student_1021_79w]

Zadaj mi pytanie na temat uczenia maszynowego

[bot_external]

Dostarczamy naszemu modelowi UM dane o objawach pacjentów (czy występują, czy nie i w jakim stopniu), a także informację, czy u każdego pacjenta została czy nie została zdiagnozowana choroba X. Celem modelu ma być podejmowanie decyzji, czy pacjent jest chory na X na podstawie jego zestawu objawów. Mamy tutaj do czynienia z uczeniem...

1. nadzorowanym
2. nienadzorowanym
3. przez wzmacnianie
   [eduexe-source]7:7[/eduexe-source]

[student_1021_79w]

Myślę, że chodzi o uczeniu nadzorowanym

[bot_external]

Tak, masz rację. W opisanym przypadku, gdzie modelowi dostarczane są dane o objawach pacjentów wraz z informacją, czy u każdego pacjenta zdiagnozowano chorobę X (czyli prawidłowe etykiety wynikowe), mamy do czynienia z uczeniem nadzorowanym. [eduexe-source]7:6[/eduexe-source]