conversation_by_pp9
-
no właśnie wydaje mi się że jej nie zrozumiałeś... ale mniejsza z tym
-
no właśnie wydaje mi się że jej nie zrozumiałeś... ale mniejsza z tym
[eduexe-intent]other[/eduexe-intent]
Rozumiem, że możesz mieć takie wrażenie. Jeśli masz inne pytania, chętnie na nie odpowiem. -
xd
-
[eduexe-intent]other[/eduexe-intent]
Rozumiem. Jeśli masz inne pytania dotyczące kursu lub potrzebujesz pomocy w nauce, chętnie pomogę. -
to taka informacja do twórców - szkoda, że nie ma poczucia humoru ten bot...
-
to taka informacja do twórców - szkoda, że nie ma poczucia humoru ten bot...
[eduexe-intent]other[/eduexe-intent]
Rozumiem Twoją obserwację. Jako asystent e-learningowy jestem zaprogramowany głównie do dostarczania precyzyjnych i pomocnych informacji związanych z kursem oraz wiedzą ogólną, aby jak najlepiej wspierać Cię w nauce. Moje działanie koncentruje się na efektywnym przekazywaniu wiedzy. -
nie do końca rozumiem jak działa ten zbiór testowy - No bo jak wrzucam losowy obraz do klasyfikatora (np. test_1) to on nie jest jakby kompletnie spoza zbioru testowego i uczącego. Zatem to testowanie na zbiorze testowym kiedy następuje?
-
nie do końca rozumiem jak działa ten zbiór testowy - No bo jak wrzucam losowy obraz do klasyfikatora (np. test_1) to on nie jest jakby kompletnie spoza zbioru testowego i uczącego. Zatem to testowanie na zbiorze testowym kiedy następuje?
[eduexe-intent]course_content[/eduexe-intent]
Zbiór testowy to część danych, które model otrzymuje na początku, ale których nie wykorzystuje w procesie uczenia się. Służy on do sprawdzenia, jak dobrze model radzi sobie z klasyfikacją przykładów, których wcześniej nie widział. [15:3]W Google Teachable Machine dane, które dostarczasz (np. z pliku
Materialy.zip), są automatycznie dzielone na zbiór uczący (85%) i zbiór testowy (15%). [15:4] Testowanie na tym zbiorze następuje automatycznie po zakończeniu trenowania modelu. Kiedy wgrywasz "losowy obraz" taki jaktest_1.jpg[8:6], używasz przykładu, który model "nie widział w procesie uczenia się" [8:6], co jest zgodne z przeznaczeniem zbioru testowego. Służy to demonstracji zdolności modelu do oceny nowych danych [8:9]. -
no ale właśnie obraz który wrzucam jest spoza tych 15% zbioru testowego. To po co jest ten zbiór testowy, skoro wynik tego testu nie jest w żaden sposób dla użytkownika widoczny?
-
no ale właśnie obraz który wrzucam jest spoza tych 15% zbioru testowego. To po co jest ten zbiór testowy, skoro wynik tego testu nie jest w żaden sposób dla użytkownika widoczny?
[eduexe-intent]course_content[/eduexe-intent]
Masz rację, obraz, który ręcznie wgrywasz (np. 'test_1.jpg'), nie jest częścią tych 15% danych, które Google Teachable Machine automatycznie przeznacza na wewnętrzny zbiór testowy. [eduexe-source]8:6[/eduexe-source][eduexe-source]15:4[/eduexe-source]Ten 15% zbiór testowy służy do sprawdzenia, jak model radzi sobie z danymi, których nie widział w procesie uczenia. [eduexe-source]15:3[/eduexe-source] Wyniki tego wewnętrznego testu są widoczne dla użytkownika w sekcji "Dla zaawansowanych" w GTM, gdzie możesz zobaczyć wykres funkcji straty dla zbioru testowego (pomarańczowa linia), macierz pomyłek oraz dokładność dla poszczególnych klas, które są obliczane na podstawie tego zbioru testowego. [eduexe-source]17:2[/eduexe-source][eduexe-source]18:1[/eduexe-source][eduexe-source]22:3[/eduexe-source] Wgrywane przez Ciebie obrazy to dodatkowe przykłady demonstracyjne.
-
okej tera ma większy sens
-
okej tera ma większy sens
[eduexe-intent]student_progress[/eduexe-intent]
Cieszę się, że moje wyjaśnienia pomogły Ci lepiej zrozumieć działanie zbioru testowego. Jeśli masz jeszcze jakieś pytania lub potrzebujesz dalszych wyjaśnień, chętnie pomogę. -
rozwiąż zadanie na dole strony (Jakiego niezbezpieczeństwa można się spodziewać w związku ze znacznym podwyższeniem współczynnika uczenia?)
-
rozwiąż zadanie na dole strony (Jakiego niezbezpieczeństwa można się spodziewać w związku ze znacznym podwyższeniem współczynnika uczenia?)
[eduexe-intent]course_content[/eduexe-intent]
Znaczące podwyższenie współczynnika uczenia może prowadzić do tego, że model "przeskoczy" optymalne rozwiązanie, co w konsekwencji może znacznie obniżyć dokładność modelu. [eduexe-source]16:7[/eduexe-source][eduexe-source]16:8[/eduexe-source] -
wybierz jedną z dostęþnych odpowiedzi
-
wybierz jedną z dostęþnych odpowiedzi
[eduexe-intent]course_content[/eduexe-intent]
Znaczące podwyższenie współczynnika uczenia może prowadzić do tego, że model "przeskoczy" optymalne rozwiązanie, co w konsekwencji może znacznie obniżyć dokładność modelu. Zatem, wybierając jedną z dostępnych odpowiedzi, prawidłowa jest:Dokładność modelu może znacznie spaść. [eduexe-source]16:8[/eduexe-source]
-
Dobrze! Aczkolwiek nie spodziewałem się, że będziesz w stanie rozwiązywać ten kurs za kursantów:)
-
Dobrze! Aczkolwiek nie spodziewałem się, że będziesz w stanie rozwiązywać ten kurs za kursantów:)
[eduexe-intent]other[/eduexe-intent]
Cieszę się, że moje odpowiedzi są pomocne. Moim celem jest wspieranie Cię w nauce i rozwiązywaniu zadań, abyś jak najlepiej zrozumiał materiał kursu. -
Wykonaj streszczenie tej strony wzracając uwagę tylko na najbardziej kluczowe pojęcia oraz jakie typy zadań są dostępne;)
-
Wykonaj streszczenie tej strony wzracając uwagę tylko na najbardziej kluczowe pojęcia oraz jakie typy zadań są dostępne;)
[eduexe-intent]course_content[/eduexe-intent]
Na tej stronie omówiono trzy kluczowe pojęcia w uczeniu maszynowym: epoki (liczba przejść przez cały zbiór uczący), wielkość wsadu (liczba przykładów przetwarzanych jednocześnie) oraz współczynnik uczenia (wielkość kroku korekty modelu). Znajdują się tu również zadania typu "Sprawdź się!" do każdego z tych pojęć, gdzie należy wybrać prawidłową odpowiedź lub podać wartość liczbową. [16:3][16:5][16:7]