conversation_by_9rk

[student_1137_9rk]

Wytłumacz mi, na czym polega problem klasteryzacji i redukcji wymiarowości w kontekście uczenia nienadzorowanego

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
W kontekście uczenia nienadzorowanego, klasteryzacja i redukcja wymiarowości są podstawowymi problemami. Uczenie nienadzorowane polega na tym, że model samodzielnie odkrywa wzorce i zależności w danych, nie mając dostępu do "prawidłowych odpowiedzi". [eduexe-source]7:6[/eduexe-source]

[student_1137_9rk]

Tak, ale wytłumacz mi to w bardziej rozbudowany sposób. Nie wiem, czym jest klasteryzacja i redukacja wymiarowości i czym to jest w kontekście uczenia nienadzorowanego

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Brak informacji w dostarczonym źródle.

[student_1137_9rk]

W materiale w demonstracji GTM przy pliku test2.jpg model nie jest w 100% pewny swojej klasyfikacji - od czego zalezy ta pewność? jak algorytm matematycznie ja wylicza a zadaniu klasyfikacji?

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
W demonstracji Google Teachable Machine, model nie jest w 100% pewny klasyfikacji pliku test2.jpg (uzyskuje około 99% pewności), ponieważ dany przypadek może być dla niego niejednoznaczny. [eduexe-source]8:8[/eduexe-source]

Kurs nie zawiera szczegółowych informacji na temat tego, jak algorytm matematycznie wylicza pewność klasyfikacji dla pojedynczego zadania. Treść kursu skupia się na ogólnych zasadach działania uczenia maszynowego, jego pojęciach i metrykach oceny modeli, a Google Teachable Machine jest przedstawione jako narzędzie niewymagające umiejętności programistycznych ani matematycznych. [eduexe-source]8:1[/eduexe-source]

[student_1137_9rk]

Która opcja jest bardziej bezpieczna dla stabilności modelu w przypadku naprawy modelu , którym zostaje wyróżniowy przypadek graniczny? Dorzucenie więcej podobnych danych do istniejacej juz klasy czy stworzenie klasy posredniej?

[bot_eduexe]

[eduexe-intent]other[/eduexe-intent]
W przypadku naprawy modelu, gdy mamy do czynienia z przypadkiem granicznym, obie opcje mają swoje zastosowanie.

Dorzucenie więcej podobnych danych do istniejącej klasy może pomóc modelowi lepiej zrozumieć zakres tej klasy. Jednak dla prawdziwie granicznych, niejednoznacznych przypadków, bezpieczniejszym dla stabilności modelu może być stworzenie klasy pośredniej. Pozwala to modelowi na wyraźne rozróżnienie niejednoznaczności, zamiast wymuszania klasyfikacji do jednej z głównych kategorii. Ważne jest, aby nowa klasa pośrednia również miała wystarczającą liczbę przykładów, by model mógł się jej nauczyć. [eduexe-source]12:3[/eduexe-source][eduexe-source]11:4[/eduexe-source]

[student_1137_9rk]

Dlaczego algorytm UM ignoruje klasę z jednym przykładem i potrzebuje wielu zróżnicowanych danych, by poprawnie ją sklasyfikować?

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Algorytm uczenia maszynowego ignoruje klasę z tylko jednym przykładem, ponieważ pojedynczy przykład jest niewystarczający, aby model mógł skutecznie nauczyć się wzorców i cech tej klasy. Model potrzebuje wielu zróżnicowanych danych, aby móc generalizować i poprawnie klasyfikować obiekty, gdyż w przeciwnym razie może zignorować tak mało liczną klasę w porównaniu z innymi. [eduexe-source]11:3[/eduexe-source][eduexe-source]11:9[/eduexe-source][eduexe-source]14:5[/eduexe-source]

[student_1137_9rk]

Co dokładnie oznacza sytuacja, gdy strata na zbiorze uczącym spada prawie do zera, a strata na zbiorze testowym rośnie? Jak to interpretować?

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Sytuacja, w której strata na zbiorze uczącym spada prawie do zera, a strata na zbiorze testowym rośnie, oznacza, że mamy do czynienia z przeuczeniem (ang. overfitting). Jest to zjawisko, w którym model zbyt mocno dopasowuje się do danych treningowych, przez co traci zdolność do poprawnego radzenia sobie z nowymi, niewidzianymi wcześniej danymi testowymi. [eduexe-source]17:4[/eduexe-source]

[student_1137_9rk]

od czego zależy , że w GTM zbiór testowy będzie zawsze automatycznie składał się z 15% wszystkich przykładów

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
W Google Teachable Machine zbiór testowy będzie zawsze automatycznie składał się z 15% wszystkich przykładów, ponieważ narzędzie to dokonuje automatycznego podziału danych na zbiór uczący i testowy w proporcji 85:15. Nie ma możliwości ręcznej zmiany tej proporcji. [eduexe-source]15:7[/eduexe-source]

[student_1137_9rk]

dlaczego jak zwiekszamy tempo uczenia sie to dokladnosc modelu może spaść?

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Zwiększenie tempa uczenia (współczynnika uczenia) może spowodować spadek dokładności modelu, ponieważ zbyt duża wartość tego parametru oznacza, że model wykonuje zbyt duże kroki podczas korygowania swoich błędów. Może to prowadzić do "przeskoczenia" optymalnego rozwiązania, przez co model nigdy nie osiągnie najlepszego dopasowania i jego dokładność będzie niska. [eduexe-source]16:7[/eduexe-source]

[student_1137_9rk]

Patrząc na wykres straty, po ktorej epoce najlepiej byłoby zatrzymać trening, zeby model był jak najlepszy?

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Patrząc na wykres straty, najlepiej byłoby zatrzymać trening w momencie, gdy strata na zbiorze uczącym nadal spada, ale strata na zbiorze testowym przestaje maleć lub zaczyna rosnąć. Jest to sygnał, że model zaczyna się przeuczać, czyli nadmiernie dopasowywać do danych treningowych, tracąc zdolność do generalizacji na nowe dane. [eduexe-source]17:4[/eduexe-source]

[student_1137_9rk]

W przypadku diagnozowania chorób, który błąd modelu jest gorszy: fałszywie pozytywny (zdrowy uznany za chorego) czy falszywie negatywny (chory uznany za zdrowego)?

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
W przypadku diagnozowania chorób, błąd fałszywie negatywny (chory uznany za zdrowego) jest zazwyczaj gorszy. Oznacza to, że osoba faktycznie chora nie otrzyma potrzebnego leczenia, co może prowadzić do poważnych konsekwencji zdrowotnych. W takich sytuacjach dąży się do jak najwyższej czułości modelu (recall), aby wykryć jak najwięcej chorych, nawet kosztem kilku fałszywie pozytywnych diagnoz. [eduexe-source]26:4[/eduexe-source]