conversation_by_7u2
-
Uczenie Maszynowe możemy podzielić na trzy główne podkategorie
[eduexe-intent]course_content[/eduexe-intent]
Uczenie Maszynowe możemy podzielić na trzy główne podkategorie: uczenie nadzorowane, uczenie nienadzorowane oraz uczenie przez wzmacnianie. [eduexe-source]7:6[/eduexe-source] -
Problemy Uczenia Maszynowego nadzorowanego
-
Problemy Uczenia Maszynowego nadzorowanego
[eduexe-intent]course_content[/eduexe-intent]
Możemy wyróżnić dwa podstawowe problemy Uczenia Maszynowego nadzorowanego:- Predykcja – przewidywanie przez model konkretnej wartości liczbowej zmiennej zależnej (np. przewidywanie cen mieszkań).
- Klasyfikacja – przypisywanie obiektu do jednej z określonych klas (np. odróżnianie zdjęć psów od kotów).
W dalszej części kursu skupimy się wyłącznie na zadaniu klasyfikacji. [eduexe-source]7:8[/eduexe-source]
-
Google Teachable Machine
-
Google Teachable Machine
[eduexe-intent]course_content[/eduexe-intent]
Google Teachable Machine (GTM) to przeglądarkowe narzędzie udostępnione przez firmę Google, które umożliwia tworzenie modeli Uczenia Maszynowego. Do korzystania z GTM nie są potrzebne żadne umiejętności programistyczne ani matematyczne, wystarczy ogólne zrozumienie, czym Uczenie Maszynowe jest. Będziemy z niego korzystać podczas całego kursu. [eduexe-source]8:1[/eduexe-source] -
Z jakim problemem z danymi mamy do czynienia w przypadku pliku "test_B1.jpg"? dane spoza klas przypadek graniczny między klasami nierówna liczebność klas z żadnym, model poprawnie zaklasyfikował obrazek
-
Z jakim problemem z danymi mamy do czynienia w przypadku pliku "test_B1.jpg"? dane spoza klas przypadek graniczny między klasami nierówna liczebność klas z żadnym, model poprawnie zaklasyfikował obrazek
[eduexe-intent]course_content[/eduexe-intent]
W przypadku pliku "test_B1.jpg" mamy do czynienia z przypadkiem granicznym między klasami. Jest to złośliwy przypadek graniczny, który może zostać zinterpretowany zarówno jako "2", jak i "1", a nawet "7". [eduexe-source]11:8[/eduexe-source][eduexe-source]14:6[/eduexe-source] -
Czy zwiększenie liczebności przykładów z klasy "3" sprawiło, że obrazek z pliku "test_B2.jpg" został sklasyfikowany poprawnie?
-
Czy zwiększenie liczebności przykładów z klasy "3" sprawiło, że obrazek z pliku "test_B2.jpg" został sklasyfikowany poprawnie?
[eduexe-intent]other[/eduexe-intent]
Tak, zwiększenie liczebności przykładów z klasy "3" sprawiło, że obrazek z pliku "test_B2.jpg" został sklasyfikowany poprawnie. Był to sposób na naprawienie problemu nierównej liczebności klas, gdzie klasa "3" początkowo miała zbyt mało przykładów. [eduexe-source]12:4[/eduexe-source][eduexe-source]14:5[/eduexe-source] -
Pozostał nam jeszcze do sprawdzenia plik "test_B1.jpg". Jak się okazuje, przedstawia on niechlujnie zapisaną cyfrę, którą nawet człowiekowi może być trudno rozpoznać. Model także ma problem, nie mogąc się jednoznacznie zdecydować na żadną z opcji lub decyd
-
Pozostał nam jeszcze do sprawdzenia plik "test_B1.jpg". Jak się okazuje, przedstawia on niechlujnie zapisaną cyfrę, którą nawet człowiekowi może być trudno rozpoznać. Model także ma problem, nie mogąc się jednoznacznie zdecydować na żadną z opcji lub decyd
[eduexe-intent]student_progress[/eduexe-intent]
Plik "test_B1.jpg" przedstawia przypadek graniczny między klasami. Jest to niechlujnie zapisana cyfra, którą trudno rozpoznać nawet człowiekowi, dlatego model ma problem z jednoznaczną klasyfikacją. Możesz dodać więcej podobnych przypadków granicznych do odpowiednich klas lub stworzyć klasę pośrednią, np. "Niejednoznaczną", dla trudnych przypadków. [eduexe-source]14:6[/eduexe-source] -
Zbiór testowy składa się z przykładów, na których model nie trenował. Prawda Fałsz
-
Zbiór testowy składa się z przykładów, na których model nie trenował. Prawda Fałsz
[eduexe-intent]other[/eduexe-intent]
Prawda. Zbiór testowy składa się z przykładów, na których model nie trenował, a służy do oceny, jak dobrze model radzi sobie z nowymi, nieznanymi danymi. [eduexe-source]15:3[/eduexe-source][eduexe-source]15:5[/eduexe-source] -
Proporcje podziału danych na zbiór uczący i zbiór testowy
-
Proporcje podziału danych na zbiór uczący i zbiór testowy
[eduexe-intent]other[/eduexe-intent]
W Google Teachable Machine dane są automatycznie dzielone na zbiór uczący i zbiór testowy w proporcji 85:15. Nie można ręcznie zmienić tej proporcji w GTM.Ogólnie w Uczeniu Maszynowym, zbiór uczący powinien być znacząco większy od testowego, zbiór testowy powinien być reprezentatywny dla całości danych i wystarczająco duży. [eduexe-source]15:4[/eduexe-source][eduexe-source]15:7[/eduexe-source]
-
Załóżmy, że korzystając z Google Teachable Machine, trenujemy model dla trzech klas. Dla każdej z klas dostarczyliśmy po 200 przykładów. Z ilu łącznie przykładów będzie składał się cały zbiór testowy dla tego modelu?
-
Załóżmy, że korzystając z Google Teachable Machine, trenujemy model dla trzech klas. Dla każdej z klas dostarczyliśmy po 200 przykładów. Z ilu łącznie przykładów będzie składał się cały zbiór testowy dla tego modelu?
[eduexe-intent]other[/eduexe-intent]
Cały zbiór testowy dla tego modelu będzie składał się łącznie z 90 przykładów.W Google Teachable Machine dane są automatycznie dzielone na zbiór uczący i zbiór testowy w proporcji 85:15. Oznacza to, że 15% wszystkich przykładów trafia do zbioru testowego.
Dla 3 klas po 200 przykładów każda, daje to łącznie 600 przykładów (3 * 200 = 600).
15% ze 600 przykładów to 90 przykładów (600 * 0.15 = 90). [eduexe-source]15:9[/eduexe-source] -
Wielkość wsadu to
-
Wielkość wsadu to
[eduexe-intent]other[/eduexe-intent]
Wielkość wsadu (ang. batch size) to rozmiar porcji treningowej, czyli liczba przykładów, jaką model otrzymuje na raz do trenowania w pojedynczej iteracji swojego działania. Jest to parametr, który można regulować, np. w Google Teachable Machine. [eduexe-source]16:5[/eduexe-source] -
Załóżmy, że trenujemy model, którego zbiór uczący składa się z 340 przykładów. Parametr wielkość wsadu ustalony jest na 16. Ile wsadów będzie potrzebne do ukończenia jednej epoki