conversation_by_mop

[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]

[student_1137_mop]

Ile jest wszystkich metryk w uczeniu maszynowym?

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Brak informacji w dostarczonym źródle. Kurs omawia cztery konkretne metryki: dokładność (accuracy), precyzję (precision), czułość (recall) i F-score, ale nie podaje informacji o łącznej liczbie wszystkich metryk w uczeniu maszynowym.

[student_1137_mop]

Czy do testu początkowego można podejść ponownie?

[bot_eduexe]

[eduexe-intent]student_progress[/eduexe-intent]
Nie, test początkowy (componentId: 5) nie jest przeznaczony do ponownego podejścia. Jest to jednorazowy test, za który możesz zdobyć maksymalnie 10 punktów, a jego wynik wlicza się do Twojej ogólnej punktacji końcowej. [eduexe-source]1:1[/eduexe-source]

[student_1137_mop]

każde zadanie z testu początkowego było za 2 pkt?

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Za test początkowy można było zdobyć maksymalnie 10 punktów [eduexe-source]1:1[/eduexe-source]. Biorąc pod uwagę, że w poprzedniej rozmowie wymieniono 4 pytania, w których popełniłaś błędy, a uzyskałaś 2 punkty, można wnioskować, że test składał się z 5 pytań, a każde z nich było warte 2 punkty.