conversation_by_lp2

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Wszystkie klasy w zbiorze uczącym powinny mieć podobną liczbę reprezentantów, aby model mógł skutecznie się uczyć. Jeśli przykładów jest za mało (np. tylko jeden lub kilka w porównaniu do setek w innych klasach), model może je zignorować lub radzić sobie gorzej z rozpoznawaniem danej klasy. [eduexe-source]11:4[/eduexe-source][eduexe-source]11:9[/eduexe-source][eduexe-source]14:2[/eduexe-source][eduexe-source]14:5[/eduexe-source]

[student_1136_lp2]

Czy dane uczące można wykorzystać do testowania modelu?

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Nie, danych uczących nie można wykorzystać do testowania modelu. Zbiór testowy składa się z przykładów, których model nie widział w procesie uczenia się i nie zna dla nich poprawnych odpowiedzi. Dzięki temu można ocenić, jak dobrze model radzi sobie z nowymi danymi i na ile jest skuteczny. Użycie danych uczących do testowania nie byłoby miarodajne, ponieważ model mógłby po prostu zapamiętać odpowiedzi. [eduexe-source]15:3[/eduexe-source][eduexe-source]15:5[/eduexe-source]

[student_1136_lp2]

Podsumuj aktualną część kursu i wskaż najważniejsze rzeczy, które powinienem/powinnam zapamiętać.

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Najważniejsze pojęcia z aktualnej części kursu (Moduł C: Podstawowe pojęcia UM) to:

• Zbiór uczący i testowy: Dane dzielimy na uczące (do treningu) i testowe (do oceny nieznanych przykładów). [eduexe-source]20:1[/eduexe-source]
• Funkcja straty: Mierzy błąd modelu, który ma być minimalizowany. [eduexe-source]20:1[/eduexe-source]
• Przeuczenie: Model za dobrze uczy się danych treningowych, źle radzi sobie z nowymi. [eduexe-source]20:1[/eduexe-source]
• Niedouczenie: Model jest zbyt prosty lub za mało wytrenowany. [eduexe-source]20:1[/eduexe-source]
• Macierz pomyłek: Tabela pokazująca poprawne i błędne klasyfikacje modelu. [eduexe-source]20:1[/eduexe-source]
  Inne pojęcia to epoka, wsad i współczynnik uczenia się.

[student_1136_lp2]

Wyjaśnij mi do czego służy zbiór testowy?

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Zbiór testowy służy do przetestowania modelu na przykładach, których nie widział w procesie uczenia się. Dzięki temu można ocenić, jak dobrze model radzi sobie z klasyfikacją nowych danych i na ile jest skuteczny, ponieważ nie zna z góry poprawnych odpowiedzi. [eduexe-source]15:3[/eduexe-source]

[student_1136_lp2]

czy w google teachable machine moge wybrać zbiór testowy?

[bot_eduexe]

[eduexe-intent]other[/eduexe-intent]
W Google Teachable Machine nie ma możliwości ręcznego wyboru zbioru testowego. Narzędzie automatycznie dzieli dane na zbiór uczący (85%) i testowy (15%), a proporcji tej nie można zmienić. [eduexe-source]15:7[/eduexe-source]

[student_1136_lp2]

ile to 15% z 600

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
15% z 600 to 90. [eduexe-source]15:9[/eduexe-source]

[student_1136_lp2]

Jakie są zastosowania uczenia maszynowego w praktyce?

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Uczenie Maszynowe (UM) jest szeroko stosowane w praktyce, m.in. w:

• rozpoznawaniu obrazów i dźwięków
• analizie i klasyfikacji danych (np. rozpoznawanie chorób, przewidywanie trendów finansowych)
• budowaniu złożonych modeli językowych (np. ChatGPT)
• automatycznej nawigacji i sterowaniu (np. kierowanie pojazdami, roboty)
• diagnostyce medycznej [eduexe-source]7:1[/eduexe-source][eduexe-source]7:4[/eduexe-source]

[student_1136_lp2]

dzielenie całkowite 340 przez 16

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Dzielenie całkowite 340 przez 16 wynosi 21.

[student_1136_lp2]

Od jakiego poziomu wynik funkcji straty jest uznawany za dobry

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Idealny model, który nigdy się nie myli, miałby wartość funkcji straty na poziomie 0. Celem trenowania modelu jest minimalizowanie funkcji straty, więc im niższa jej wartość, tym lepszy model. [eduexe-source]17:2[/eduexe-source]

[student_1136_lp2]

co pozwala nam obliczyć metryki

[bot_eduexe]

[eduexe-intent]other[/eduexe-intent]
Metryki w uczeniu maszynowym pozwalają nam ocenić jakość wytrenowanych modeli oraz porównywać je między sobą. Oblicza się je na podstawie macierzy pomyłek, która pokazuje, ile przykładów testowych zostało poprawnie lub błędnie sklasyfikowanych. [eduexe-source]21:1[/eduexe-source][eduexe-source]21:2[/eduexe-source]

[student_1136_lp2]

Jak wygladaja macierze pomyłek