conversation_by_3ql

[student_1137_3ql]

3. Problem predykcji

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Odpowiedź "Problem predykcji" jest niepoprawna. Przewidywanie, czy wiadomość e-mail jest spamem, czy nie, to problem klasyfikacji, ponieważ polega na przypisywaniu obiektu (wiadomości e-mail) do jednej z określonych klas (spam lub nie-spam), a nie na przewidywaniu wartości liczbowej. [eduexe-source]7:8[/eduexe-source]

[student_1137_3ql]

Okej, dziękuję

[bot_eduexe]

[eduexe-intent]other[/eduexe-intent]
Nie ma za co. Cieszę się, że mogłem pomóc.

Czy masz jakieś inne pytania, czy może chcesz przejść do kolejnej części kursu?

[student_1137_3ql]

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]
Jasne, oto 3 krótkie pytania kontrolne na podstawie dotychczasowej części kursu i Twoich postępów, skupiające się na problemach z danymi:

1. Jaki problem z danymi występuje, gdy model do rozpoznawania zwierząt, trenowany tylko na zdjęciach psów i kotów, błędnie klasyfikuje zdjęcia samochodów jako psy? [eduexe-source]11:5[/eduexe-source]
2. Masz zbiór danych do klasyfikacji, w którym jedna klasa ma 1000 przykładów, a druga tylko 5. Jaki problem z danymi to może powodować w procesie uczenia maszynowego? [eduexe-source]11:4[/eduexe-source]
3. Model do klasyfikacji obrazów ma trudności z rozróżnianiem dwóch bardzo podobnych obiektów, które w rzeczywistości są różnymi klasami, ale wizualnie są do siebie zbliżone. Jak określamy ten rodzaj problemu z danymi? [eduexe-source]11:2[/eduexe-source]

[student_1137_3ql]

1. Model bedzie probowac przypisac samochod do jednej z dwoch mozliwych klas

[bot_eduexe]

[eduexe-intent]other[/eduexe-intent]
Twoja odpowiedź jest poprawna. Model, który został wytrenowany tylko na zdjęciach psów i kotów, nie zna kategorii "samochód". W takiej sytuacji będzie próbował przypisać samochód do jednej z dwóch znanych mu klas, czyli psa lub kota, ponieważ nie ma innej opcji. Taki problem nazywamy "danymi spoza klas". [eduexe-source]11:5[/eduexe-source]

Chcesz odpowiedzieć na kolejne pytanie, czy masz inne pytania?

[student_1137_3ql]

2. Klasa ktora ma mniej przykladow moze byc wybierana rzadziej niz powinna

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Twoja odpowiedź jest poprawna. Problem, w którym jedna klasa ma znacznie mniej przykładów niż inna, nazywamy nierówną liczebnością klas. W takiej sytuacji model może faktycznie radzić sobie gorzej z rozpoznawaniem mniej licznej klasy lub wręcz ją ignorować, co prowadzi do tego, że będzie ona wybierana rzadziej niż powinna. [eduexe-source]11:4[/eduexe-source][eduexe-source]14:2[/eduexe-source]

Czy chcesz odpowiedzieć na kolejne pytanie, czy masz inne pytania?

[student_1137_3ql]

3. Przypadek graniczny

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Twoja odpowiedź jest poprawna. Problem, w którym model ma trudności z rozróżnianiem dwóch bardzo podobnych obiektów, które są różnymi klasami, nazywamy przypadkiem granicznym między klasami. [eduexe-source]11:2[/eduexe-source][eduexe-source]14:6[/eduexe-source]

Czy chcesz odpowiedzieć na kolejne pytanie, czy masz inne pytania?

[student_1137_3ql]

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]
Jasne, oto 3 krótkie pytania kontrolne na podstawie dotychczasowej części kursu i Twoich postępów, skupiające się na podstawowych pojęciach związanych ze zbiorami danych:

1. Dlaczego zbiór testowy powinien być reprezentatywny dla całego zbioru danych, a nie zawierać tylko zupełnie nowe, nieprzewidziane typy przykładów? [eduexe-source]15:7[/eduexe-source]
2. Co mogłoby się stać, gdyby zbiór uczący był znacznie mniejszy niż zbiór testowy? [eduexe-source]15:7[/eduexe-source]
3. Załóżmy, że masz łącznie 1000 obrazów, które są równo podzielone na 5 klas. Ile obrazów z jednej, konkretnej klasy zostanie użytych do treningu w Google Teachable Machine? [eduexe-source]15:4[/eduexe-source]

[student_1137_3ql]

1. Musi być podobny do zbioru uczącego, ponieważ w innym przypadku nie będzie w stanie wykorzystać wiedzy zdobytej w zbiorze uczącym

[bot_eduexe]

[eduexe-intent]other[/eduexe-intent]
Twoja odpowiedź jest poprawna. Zbiór testowy musi być reprezentatywny dla danych uczących, aby model mógł skutecznie wykorzystać wiedzę, którą zdobył podczas treningu, i aby ocena jego działania była miarodajna. Jeśli zbiór testowy zawierałby zupełnie nowe, nieprzewidziane typy przykładów, model nie byłby w stanie ich poprawnie sklasyfikować. [eduexe-source]15:7[/eduexe-source]

Czy chcesz odpowiedzieć na kolejne pytanie, czy masz inne pytania?

[student_1137_3ql]

2. Model nie miałby wystarczająco dużo danych żeby umieć poprawnie robić to co powinien

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Twoja odpowiedź jest poprawna. Jeśli zbiór uczący byłby znacznie mniejszy niż zbiór testowy, model nie miałby wystarczająco dużo danych, aby skutecznie się nauczyć i zbudować odpowiedni model matematyczny, co uniemożliwiłoby mu poprawne wykonywanie zadań klasyfikacji. [eduexe-source]15:7[/eduexe-source]

Czy chcesz odpowiedzieć na kolejne pytanie, czy masz inne pytania?

[student_1137_3ql]

3. 30

[bot_eduexe]

[eduexe-intent]student_progress[/eduexe-intent]
Odpowiedź "30" jest niepoprawna.

W Google Teachable Machine, dane są dzielone na zbiór uczący i testowy w proporcji 85% do 15% [eduexe-source]15:4[/eduexe-source]. Jeśli masz 1000 obrazów równo podzielonych na 5 klas, to na każdą klasę przypada 200 obrazów (1000 / 5 = 200). Do treningu z jednej klasy zostanie użyte 85% z tych 200 obrazów, czyli 170 obrazów (0.85 * 200 = 170). Wartość "30" odpowiada liczbie obrazów z jednej klasy, które trafią do zbioru testowego (0.15 * 200 = 30).