conversation_by_5hb

[student_1136_5hb]

jakie są zastosowania uczenia maszynowego

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Uczenie Maszynowe jest szeroko stosowane w wielu dziedzinach, w tym w rozpoznawaniu obrazów i dźwięków, analizie danych, budowaniu złożonych modeli językowych (np. ChatGPT), diagnostyce medycznej oraz autonomicznym sterowaniu. Inne przykładowe zastosowania to:

• Rozpoznawanie mowy: automatyczne tłumaczenie, dyktowanie komputerowi, interfejsy sterowane głosem.
• Automatyczna nawigacja i sterowanie: kierowanie pojazdami, odnajdywanie drogi w nieznanym środowisku, automatyzacja systemów produkcji.
• Analiza i klasyfikacja danych: systematyka obiektów astronomicznych, rozpoznawanie chorób, modelowanie terapii lekowych, przewidywanie trendów finansowych, wykrywanie prania pieniędzy.

[eduexe-source]7:1[/eduexe-source][eduexe-source]7:4[/eduexe-source]

[student_1136_5hb]

jak działa GTM

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Google Teachable Machine (GTM) to przeglądarkowe narzędzie firmy Google, które umożliwia tworzenie modeli Uczenia Maszynowego bez potrzeby umiejętności programistycznych. Działa poprzez zdefiniowanie klas, załadowanie do nich danych, trenowanie modelu na podstawie tych danych, a następnie pozwala sprawdzić jego działanie. [eduexe-source]8:1[/eduexe-source][eduexe-source]8:3[/eduexe-source][eduexe-source]8:4[/eduexe-source][eduexe-source]8:5[/eduexe-source][eduexe-source]8:6[/eduexe-source]

[student_1136_5hb]

Czym jest GTM

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Google Teachable Machine (GTM) to przeglądarkowe narzędzie firmy Google, które umożliwia tworzenie modeli Uczenia Maszynowego bez potrzeby umiejętności programistycznych ani matematycznych. Wystarczy ogólne zrozumienie, czym jest Uczenie Maszynowe. [eduexe-source]8:1[/eduexe-source]

[student_1136_5hb]

czym jest nierówna liczebność klas

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Nierówna liczebność klas to problem, który występuje, gdy liczba przykładów dla poszczególnych klas w zbiorze uczącym jest znacząco różna. Może to prowadzić do tego, że model zignoruje klasy z mniejszą liczbą reprezentantów, co negatywnie wpłynie na jego działanie. [eduexe-source]11:4[/eduexe-source][eduexe-source]11:3[/eduexe-source]

[student_1136_5hb]

dlaczego ważne jest to, by wszystkie klasy w zbiorze uczącym miały podobną liczbę reprezentantów.

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Ważne jest, aby klasy w zbiorze uczącym miały podobną liczbę reprezentantów, ponieważ w przeciwnym razie model może zignorować klasy z mniejszą liczbą przykładów. To prowadzi do tego, że model może błędnie klasyfikować obiekty z tych mniej licznych klas lub nie być pewnym swoich ocen, co negatywnie wpływa na jego działanie. [eduexe-source]11:3[/eduexe-source][eduexe-source]11:4[/eduexe-source]

[student_1136_5hb]

czym jest przypadek graniczny między klasami

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Przypadek graniczny między klasami to dane, które wykazują cechy należące do więcej niż jednej klasy, przez co są trudne do jednoznacznego sklasyfikowania. Model może mieć problem z podjęciem decyzji lub błędnie je ocenić, np. kot Lykoi, który jest podobny do psa, lub nieczytelna cyfra, którą trudno rozpoznać. [eduexe-source]14:6[/eduexe-source][eduexe-source]11:2[/eduexe-source]

[student_1136_5hb]

jak naprawić model uczenia maszynowego

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Aby naprawić model uczenia maszynowego, szczególnie w przypadku problemów z danymi, można zastosować następujące metody:

1. Dodawanie brakujących klas: Jeśli model nie rozpoznaje obiektów, dla których nie zdefiniowano klasy, należy dodać nową klasę i załadować do niej odpowiednie dane. [eduexe-source]12:1[/eduexe-source][eduexe-source]14:4[/eduexe-source]
2. Uzupełnianie danych w klasach o nierównej liczebności: W przypadku nierównej liczebności klas, należy dodać więcej przykładów do mniej licznych klas, aby model nie ignorował ich podczas treningu. [eduexe-source]12:1[/eduexe-source][eduexe-source]14:5[/eduexe-source]
3. Radzenie sobie z przypadkami granicznymi: Można dodać więcej podobnych przypadków granicznych do odpowiednich klas (jeśli są jednoznaczne) lub stworzyć dodatkową, pośrednią klasę dla przypadków niejednoznacznych, również uzupełniając ją o przykłady. [eduexe-source]12:3[/eduexe-source][eduexe-source]14:6[/eduexe-source]
   Po wprowadzeniu zmian w danych zawsze należy ponownie wytrenować model.

[student_1136_5hb]

czym jest współczynnik uczenia się

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Współczynnik uczenia (ang. learning rate), nazywany także stałą uczenia się, to parametr określający wielkość kroku, o jaki model ma korygować otrzymany wynik w kierunku wyniku oczekiwanego podczas treningu. Za mała wartość może znacznie wydłużyć trening, a zbyt duża może sprawić, że model "przeskoczy" optymalne rozwiązanie. [eduexe-source]16:7[/eduexe-source]