conversation_by_1cn

[eduexe.admin]

Topic created

[student_1119_1cn]

Wyjaśnij mi najważniejsze pojęcia z aktualnej części kursu prostym językiem. Odwołuj się do materiałów kursu.

[bot_external]

[eduexe-intent]course_content[/eduexe-intent]
W aktualnej części kursu, czyli "Podstawowe pojęcia Uczenia Maszynowego", kluczowe pojęcia to:

• Zbiór uczący: dane, na których model się uczy, znając poprawne odpowiedzi.
• Zbiór testowy: dane do sprawdzenia wytrenowanego modelu, których wcześniej nie widział.
• Epoka: jedno przejście modelu przez cały zbiór uczący.
• Wsad: porcja przykładów przetwarzanych jednocześnie przez model.
• Współczynnik uczenia się: określa wielkość kroków korekty modelu.
• Funkcja straty: mierzy błąd modelu, dążymy do jej minimalizacji.
• Przeuczenie: model za bardzo dopasowany do danych uczących, słabo radzi sobie z nowymi.
• Niedouczenie: model zbyt prosty, by wykryć prawidłowości w danych.
• Macierz pomyłek: tabela pokazująca poprawne i błędne klasyfikacje modelu.
  [eduexe-source]20:1[/eduexe-source]

[student_1119_1cn]

Opowiedz czym jest metryka

[bot_external]

[eduexe-intent]course_content[/eduexe-intent]
Metrykami w kontekście Uczenia Maszynowego określamy miary oceny wytrenowanych modeli. Metryka to funkcja, która przyjmując model, zwraca wartość pozwalającą porównać go z innymi modelami. Im wyższa wartość metryki, tym wyższa ocena modelu.
[eduexe-source]21:1[/eduexe-source]

[student_1119_1cn]

opowiedz czym jest f-score

[bot_external]

[eduexe-intent]course_content[/eduexe-intent]
F-score to metryka stanowiąca próbą stworzenia uniwersalnej miary oceny modelu. Opiera się na precyzji (precision) i czułości (recall), a oblicza się ją jako ich średnią harmoniczną. F-score stanowi kompromis pomiędzy tymi dwiema metrykami, oceniając model bardziej obiektywnie niż każda z nich z osobna.
[eduexe-source]25:1[/eduexe-source]
[eduexe-source]25:2[/eduexe-source]
[eduexe-source]25:3[/eduexe-source]