conversation_by_5hb

[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]