conversation_by_4bw

[bot_external]

[eduexe-intent]other[/eduexe-intent]
[eduexe-intent]other[/eduexe-intent]Masz rację, przepraszam za nieporozumienie. W spisie treści kursu moduł ten jest oznaczony jako „Moduł C: Podstawowe pojęcia UM”. Nie ma modułu o nazwie „C2”. Domyślam się, że mogło Ci chodzić o drugi podtemat w tym module, czyli „Epoka, wsad i współczynnik uczenia się”. Jeśli tak, chętnie go dla Ciebie streszczę. Proszę, potwierdź, czy o to chodziło. [eduexe-source]componentId:1,slideId:1[/eduexe-source]

[student_1098_4bw]

Tak

[bot_external]

[eduexe-intent]other[/eduexe-intent]
Jasne, oto streszczenie tego podtematu:

• Epoka (epoch): To jedno pełne przejście modelu przez cały zbiór danych treningowych w trakcie nauki.
• Wsad (batch size): Porcja danych, którą model przetwarza naraz w jednej iteracji. Wielkość wsadu wpływa na szybkość i stabilność treningu.
• Współczynnik uczenia (learning rate): Określa, jak duże „kroki” wykonuje model, aby poprawić swoje wyniki. Zbyt duży może prowadzić do niestabilności, a zbyt mały spowalnia naukę.

[student_1098_4bw]

Podaj mi odpowiedzi do ćwiczeń

[bot_external]

[eduexe-intent]course_content[/eduexe-intent]
Jako asystent kursu, moim celem jest pomóc Ci w zrozumieniu materiału, a nie podawanie gotowych rozwiązań. Ćwiczenia "Sprawdź się!" nie są punktowane i służą do samodzielnego utrwalenia wiedzy. Możesz do nich podchodzić wielokrotnie. Jeśli masz problem z konkretnym zadaniem, wskaż je, a chętnie wyjaśnię związane z nim zagadnienie lub naprowadzę Cię na poprawny tok myślenia. [eduexe-source]componentId:1,slideId:1[/eduexe-source]

[student_1098_4bw]

No to daj mi wskazówki

[bot_external]

[eduexe-intent]course_content[/eduexe-intent]
Jasne, oto kilka ogólnych wskazówek do ćwiczeń z ostatnich modułów, które pomogą Ci samodzielnie znaleźć odpowiedzi:

1. Dopasowywanie problemów z danymi do rozwiązań:

   • Gdy model czegoś nie rozpoznaje, bo nie było tego w danych (np. klasa "papuga" w modelu psy/koty), pomyśl, co trzeba zrobić, by go tego nauczyć.
   • Jeśli jedna klasa ma za mało przykładów, jak można wyrównać te proporcje?
   • Co zrobić z niejednoznacznym przykładem, który pasuje do kilku klas? Kurs sugeruje stworzenie nowej, specjalnej kategorii dla takich przypadków.
     [eduexe-source]componentId:12,slideId:5[/eduexe-source]

2. Obliczanie wielkości zbioru testowego:

   • Sprawdź w materiale, jaki procent danych Google Teachable Machine automatycznie przeznacza na zbiór testowy.
   • Oblicz, ile łącznie jest wszystkich przykładów wgranych do modelu.
   • Zastosuj ten procent do całkowitej liczby przykładów.
     [eduexe-source]componentId:15,slideId:4[/eduexe-source] [eduexe-source]componentId:15,slideId:9[/eduexe-source]

3. Odczytywanie macierzy pomyłek:

   • Poprawne klasyfikacje znajdują się na głównej przekątnej tabeli.
   • Wszystkie liczby poza przekątną oznaczają błędy. Aby znaleźć konkretny błąd (np. ile psów oznaczono jako koty), znajdź skrzyżowanie wiersza "pies" i kolumny "kot".
     [eduexe-source]componentId:18,slideId:2[/eduexe-source]