conversation_by_5hb

[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. Zbyt mała wartość tego współczynnika może znacznie wydłużyć trening, natomiast zbyt duża może sprawić, że model "przeskoczy" optymalne rozwiązanie. [eduexe-source]16:7[/eduexe-source]

[student_1136_5hb]

co się stanie jak zwiększymy współczynnik uczenia gwałtwonie

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Jeśli gwałtownie zwiększymy współczynnik uczenia się (learning rate), istnieje ryzyko, że model będzie wykonywał zbyt duże kroki podczas korygowania swoich wyników. Może to sprawić, że model "przeskoczy" optymalne rozwiązanie, zamiast do niego dążyć, co negatywnie wpłynie na jego zdolność uczenia się i osiągnięcie oczekiwanych rezultatów. [eduexe-source]16:7[/eduexe-source]

[student_1136_5hb]

czym jest przeuczenie

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Przeuczenie (ang. overfitting) to zjawisko, w którym model zbyt mocno dopasowuje się do danych treningowych. W efekcie nie jest w stanie poprawnie radzić sobie z nowymi danymi testowymi, których nie widział w trakcie uczenia się. [eduexe-source]17:4[/eduexe-source]

[student_1136_5hb]

czym jest niedouczenie

[bot_eduexe]

[eduexe-intent]student_progress[/eduexe-intent]
Niedouczenie (ang. underfitting), nazywane też niedopasowaniem modelu, występuje, gdy model jest zbyt prosty, aby skutecznie poradzić sobie z danymi ze zbioru uczącego. Oznacza to, że model nie zdołał wykryć prawidłowości w danych, na podstawie których mógłby dokonywać trafnej klasyfikacji. [eduexe-source]17:6[/eduexe-source]

[student_1136_5hb]

czym są metryki

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Metrykami w kontekście Uczenia Maszynowego określamy miary oceny wytrenowanych modeli. Metryka jest funkcją, która przyjmując model jako argument, zwraca wartość pozwalającą porównać go z innymi modelami. Dla metryk omawianych w kursie, im wyższa wartość, tym wyższa ocena modelu. [eduexe-source]21:1[/eduexe-source]

[student_1136_5hb]

czym jest przypadek true negative

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Przypadek prawdziwie negatywny (ang. true negative - TN) to sytuacja, w której osoba bez choroby X została sklasyfikowana przez model jako zdrowa osoba bez choroby. [eduexe-source]21:2[/eduexe-source]

[student_1136_5hb]

czym jest precyzja?

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Precyzja (ang. precision) to metryka służąca do oceny jakości modelu Uczenia Maszynowego. Definiuje się ją jako stosunek poprawnie sklasyfikowanych diagnoz pozytywnych do liczby wszystkich przypadków testowych sklasyfikowanych przez model jako pozytywne. [eduexe-source]23:1[/eduexe-source]

[student_1136_5hb]

czym jest czułość

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Czułość (ang. recall) to metryka obliczana na podstawie macierzy pomyłek. Definiuje się ją jako stosunek przykładów prawdziwie pozytywnych do wszystkich pozytywnych przypadków w rzeczywistości. Mówi więc, jaki procent wszystkich pozytywnych przypadków wykrywa model. [eduexe-source]24:1[/eduexe-source]

[student_1136_5hb]

czym jest f-score

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
F-score to metryka służąca do oceny modeli Uczenia Maszynowego, którą oblicza się jako średnią harmoniczną precyzji (precision) i czułości (recall). Stanowi ona kompromis między tymi dwiema metrykami. [eduexe-source]25:2[/eduexe-source]