conversation_by_pw7

[bot_eduexe]

[eduexe-intent]student_progress[/eduexe-intent]
Brak informacji.

[student_1130_pw7]

nie ma rankingu?

[bot_eduexe]

[eduexe-intent]student_progress[/eduexe-intent]
Brak informacji.

[student_1130_pw7]

pomóż mi zrzumieć moje błędy

[bot_eduexe]

[eduexe-intent]student_progress[/eduexe-intent]
W teście (Komponent 13, pytanie 19) błędnie zaklasyfikowałaś plik 'BT_test_3_MANDARIN_DUCK.jpg' jako przypadek pośredni. Był to przykład danych spoza klas – model nie rozpoznaje tego, czego nie widział, jeśli nie ma zdefiniowanej klasy [eduexe-source]11:10[/eduexe-source].

Dodatkowo, w Komponencie 15 (pytanie 99) niepoprawnie obliczyłaś wielkość zbioru testowego. Pamiętaj, że w Google Teachable Machine 15% danych z każdej klasy trafia do zbioru testowego [eduexe-source]15:9[/eduexe-source].

[student_1130_pw7]

Na podstawie aktualnej części kursu i moich postępów zadaj mi 2-3 krótkie pytania kontrolne. Nie podawaj od razu odpowiedzi; najpierw sprawdź moje rozumienie.

[bot_eduexe]

[eduexe-intent]student_progress[/eduexe-intent]
Oto 3 krótkie pytania kontrolne, oparte na Twoich ostatnich postępach i zagadnieniach, z którymi miałaś/eś ostatnio trudności:

1. Wyobraź sobie, że trenujesz model w Google Teachable Machine do rozpoznawania tylko psów i kotów. Co się stanie, jeśli pokażesz mu zdjęcie słonia? Jakie zjawisko to ilustruje i dlaczego? [11:5]
2. Jeśli w Google Teachable Machine masz model z czterema klasami, a do każdej z nich załadowano po 100 zdjęć, ile łącznie zdjęć znajdzie się w zbiorze testowym? [15:9]
3. Patrząc na wykres funkcji straty, jak rozróżnić model przeuczony od niedouczonego? Wskaż kluczowe różnice w zachowaniu krzywych straty dla zbioru uczącego i testowego. [17:4][17:6]

[student_1130_pw7]

słoń jest spoza klasy

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Tak, masz rację. Słoń w tym przypadku jest przykładem danych "spoza klas". Model trenowany tylko na psach i kotach nie potrafi rozpoznać słonia, ponieważ nigdy nie "widział" go w procesie uczenia się i nie ma zdefiniowanej dla niego klasy.

A jakie zjawisko to ilustruje i dlaczego model zachowuje się w ten sposób? [eduexe-source]11:5[/eduexe-source]

[student_1130_pw7]

zbiór testowy ma 60 zdjęć?

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Tak, zgadza się. W Google Teachable Machine 15% danych z każdej klasy trafia do zbioru testowego. Jeśli masz 4 klasy i do każdej załadowano po 100 zdjęć, to:
15% ze 100 zdjęć to 15 zdjęć na klasę.
Dla 4 klas daje to 4 * 15 = 60 zdjęć w zbiorze testowym. [15:4]

[student_1130_pw7]

pokaż mi przykład zbioru przeuczonego i niedouczonego

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Przykład modelu przeuczonego to taki, dla którego na wykresie funkcji straty wartość dla zbioru uczącego systematycznie maleje, natomiast dla zbioru testowego w pewnym momencie przestaje maleć, a nawet zaczyna rosnąć [17:4].

Z kolei przykładem modelu niedouczonego jest model, który jest zbyt prosty, by skutecznie radzić sobie z danymi ze zbioru uczącego, co widać po tym, że jego funkcja straty dla zbioru uczącego maleje bardzo wolno lub utrzymuje się na wysokim poziomie, a jego krzywe straty dla zbioru uczącego i testowego są blisko siebie, ale na wysokim poziomie [17:6].

[student_1130_pw7]

pokaż mi jakiś przykład żebym mogła sprawdzić czy rozumiem

[bot_eduexe]

[eduexe-intent]student_progress[/eduexe-intent]
Przyjrzyjmy się następującej sytuacji: trenujesz model rozpoznawania obrazów. Na wykresie funkcji straty zauważasz, że dla zbioru uczącego (treningowego) wartość straty systematycznie maleje i osiąga bardzo niski poziom. Natomiast dla zbioru testowego, po pewnym czasie, wartość straty przestaje maleć, a nawet zaczyna rosnąć. Jakie zjawisko w uczeniu maszynowym to ilustruje? [eduexe-source]17:4[/eduexe-source]

[student_1130_pw7]

to model przeuczony

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Tak, masz rację. Sytuacja, w której dla zbioru uczącego wartość straty systematycznie maleje, a dla zbioru testowego przestaje maleć lub zaczyna rosnąć, świadczy o tym, że model jest przeuczony. Oznacza to, że model zbyt mocno dopasował się do danych treningowych i nie radzi sobie dobrze z nowymi, niewidzianymi wcześniej danymi testowymi. [17:4]

[student_1130_pw7]

ok, a teraz model niedouczony, pokaż jakiś wykres

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
W przypadku modelu niedouczonego (underfitting), na wykresie funkcji straty, krzywe straty dla zbioru uczącego i testowego są blisko siebie, ale utrzymują się na wysokim poziomie, lub funkcja straty dla zbioru uczącego maleje bardzo wolno. Oznacza to, że model jest zbyt prosty, aby skutecznie radzić sobie z danymi ze zbioru uczącego. [17:6]

[student_1130_pw7]

wykres please