conversation_by_mop

[student_1137_mop]

Czyli dobiera się ją metodą prób i błędów?

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Tak, zgadza się. Optymalna wartość współczynnika uczenia powinna być dobrana eksperymentalnie, co w praktyce oznacza metodą prób i błędów, aby znaleźć taką, która zapewni efektywny trening modelu bez jego nadmiernego wydłużania lub "przeskakiwania" optymalnego rozwiązania. [eduexe-source]16:7[/eduexe-source]

[student_1137_mop]

Dlaczego w ostatnim pytaniu jest taka odpowiedź

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
W kursie system punktacji opiera się na zdobywaniu punktów za poprawne odpowiedzi w testach, a nie na ich odejmowaniu za błędne. Oznacza to, że za niepoprawną odpowiedź po prostu nie otrzymujesz punktów, zgodnie z opisem w sekcji "Testy i punktacja". [eduexe-source]1:1[/eduexe-source]

[student_1137_mop]

Chodziło mi dlaczego w pytaniu Wnioskując po funkcji straty na ilustracji (do 15 epoki), mamy do czynienia z modelem... good answer marker odpowiedz to przeuczonym

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
W pytaniu o funkcję straty na ilustracji do 15 epoki, odpowiedź "przeuczonym" jest poprawna, ponieważ przeuczenie (overfitting) występuje, gdy model zbyt mocno dopasowuje się do danych treningowych. Objawia się to tym, że funkcja straty dla zbioru uczącego nadal maleje, ale dla zbioru testowego przestaje maleć, a nawet zaczyna rosnąć, co wskazuje na gorszą wydajność na nowych danych. [eduexe-source]17:4[/eduexe-source][eduexe-source]17:7[/eduexe-source]

[student_1137_mop]

Co znowu miałam źle?????

[bot_eduexe]

[eduexe-intent]student_progress[/eduexe-intent]
W teście cząstkowym (componentId: 19) miałaś źle pytanie: "Patrząc na załączony wykres funkcji straty na ilustracji (do 10 epoki), mamy do czynienia z modelem...". Wybrałaś opcję "dobrze dopasowany". Prawidłowa odpowiedź to "przeuczony". Model jest przeuczony, gdy funkcja straty dla zbioru uczącego nadal maleje, ale dla zbioru testowego przestaje maleć lub zaczyna rosnąć, co wskazuje na nadmierne dopasowanie do danych treningowych. [eduexe-source]17:4[/eduexe-source]

[student_1137_mop]

Gdzie znaleźć macierz pomyłek w tym google coś?

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Macierz pomyłek (confusion matrix) w Google Teachable Machine znajdziesz w sekcji "Dla zaawansowanych" (Advanced). Dostęp do niej uzyskasz, otwierając menu "Zaawansowane" w sekcji "Trening" po wytrenowaniu modelu. [eduexe-source]18:1[/eduexe-source][eduexe-source]22:3[/eduexe-source]

[student_1137_mop]

Z czym się ściśle wiżą metryki w uczeniu maszynowym?

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Metryki w uczeniu maszynowym ściśle wiążą się z oceną wytrenowanych modeli. Ich obliczanie opiera się na macierzy pomyłek, która pokazuje, ile przykładów ze zbioru testowego zostało poprawnie lub błędnie zaklasyfikowanych przez model. [eduexe-source]21:1[/eduexe-source][eduexe-source]21:2[/eduexe-source]

[student_1137_mop]

wytłumacz jak policzyć to zadanie: Ilu chorych zostało błędnie zaklasyfikowanych przez model jako zdrowych?

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Aby policzyć, ilu chorych zostało błędnie zaklasyfikowanych przez model jako zdrowych, należy odnaleźć wartość w komórce macierzy pomyłek, która odpowiada przypadkom fałszywie negatywnym (False Negative - FN). Są to właśnie te przypadki, w których model nie wykrył choroby u osoby, która w rzeczywistości ją miała. [eduexe-source]21:2[/eduexe-source]

[student_1137_mop]

Na czym będzie polegało zadanie za które można zdobyć punkty zamiast za testy i jak jest poprowadzona jego weryfikacja?

[bot_eduexe]

[eduexe-intent]student_progress[/eduexe-intent]
Zadanie końcowe, za które możesz zdobyć punkty zamiast sumy testów cząstkowych, to "test umiejętności". Polega ono na praktycznym wykorzystaniu Google Teachable Machine oraz materiałów i modeli pobranych z kursu. Masz na to jedno podejście. Za ten test końcowy możesz otrzymać maksymalnie 20 punktów.

Weryfikacja polega na porównaniu Twojego wyniku z testu początkowego i testu końcowego z sumą punktów za test początkowy i wszystkie testy cząstkowe. Do Twojej punktacji końcowej zaliczony zostanie korzystniejszy dla Ciebie wynik.

[eduexe-source]1:1[/eduexe-source][eduexe-source]35:3[/eduexe-source][eduexe-source]36:1[/eduexe-source]

[student_1137_mop]

Ale mogę podchodzić do tego i tego na spokojnie>

[bot_eduexe]

[eduexe-intent]other[/eduexe-intent]
Tak, możesz podchodzić zarówno do testów cząstkowych, jak i do zadania końcowego. System automatycznie wybierze korzystniejszy dla Ciebie wynik końcowy. Oznacza to, że Twój ostateczny wynik będzie sumą punktów z testu początkowego i lepszego z dwóch wyników: sumy punktów ze wszystkich testów cząstkowych LUB punktów z testu końcowego. [eduexe-source]1:1[/eduexe-source]

[student_1137_mop]

To jak finalnie najlepiej ocenić czy model jest prawidłowy?

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Nie ma jednej "najlepszej" metody oceny, czy model jest prawidłowy. Ostateczna ocena zależy od tego, jak wyglądają dane, na których model był trenowany i testowany, oraz jaki jest główny cel działania modelu. Należy brać pod uwagę różne metryki:

• Dokładność (accuracy) jest uniwersalna, ale może być myląca przy dużej różnicy liczebności klas.
• Precyzja (precision) jest najważniejsza, gdy celem jest ograniczenie liczby fałszywie pozytywnych przypadków.
• Czułość (recall) jest kluczowa, gdy zależy nam na wykryciu jak największej liczby przykładów z jednej klasy (ograniczenie fałszywie negatywnych).
• F-score to kompromis między precyzją a czułością.

[eduexe-source]26:4[/eduexe-source]