conversation_by_r21

[student_1136_r21]

Kiedy lub dlaczego jest używane uczenie przez wzmacnianie?

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Uczenie przez wzmacnianie (ang. reinforcement learning) to rodzaj uczenia maszynowego, w którym model uczy się poprzez interakcje ze środowiskiem, wykorzystując system kar i nagród. [eduexe-source]7:6[/eduexe-source]

[student_1136_r21]

W czym różnica z uczeniem nadzorowanym? I podaj przykład problemu.

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Uczenie nadzorowane (ang. supervised learning) różni się od uczenia przez wzmacnianie (ang. reinforcement learning) tym, że w uczeniu nadzorowanym model otrzymuje do nauki surowe dane wraz z odpowiadającymi im prawidłowymi odpowiedziami (etykietami wynikowymi). Przykładem problemu dla uczenia nadzorowanego może być nauka rozróżniania zdjęć psów i kotów na podstawie dostarczonych zdjęć podpisanych odpowiednio jako psy i koty.

Uczenie przez wzmacnianie polega na tym, że model uczy się poprzez interakcje ze środowiskiem, wykorzystując system kar i nagród. [eduexe-source]7:6[/eduexe-source]

[student_1136_r21]

Podaj przykład problemu dla uczenia przez wzmacnianie.

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Brak informacji w dostarczonym źródle.

[student_1136_r21]

Jaki jest problem u kotów-wilkolaków?

[bot_eduexe]

[eduexe-intent]other[/eduexe-intent]
W kontekście kursu z uczenia maszynowego problem z kotami-wilkołakami (gatunku Lykoi) polega na tym, że są one "przypadkiem granicznym" między klasami (koty i psy). Ze względu na ich podobieństwo do psów, model uczenia maszynowego wytrenowany do rozróżniania psów i kotów może błędnie zaklasyfikować kota Lykoi jako psa. [eduexe-source]11:2[/eduexe-source]

[student_1136_r21]

Jakie istnieją problemy danych i jak ich naprawiać?

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
W kursie wyróżnia się trzy główne problemy z danymi, które mogą wpływać na działanie modelu uczenia maszynowego:

1. Przypadki graniczne między klasami: Gdy obiekt jest podobny do więcej niż jednej klasy (np. kot Lykoi, który wygląda jak pies). Aby to naprawić, można dodać więcej podobnych przypadków do odpowiedniej klasy lub stworzyć dodatkową, pośrednią klasę. [eduexe-source]11:2[/eduexe-source][eduexe-source]11:3[/eduexe-source][eduexe-source]12:3[/eduexe-source]
2. Nierówna liczebność klas: Kiedy jedna klasa ma znacznie mniej przykładów niż inne, model może ją ignorować. Rozwiązaniem jest uzupełnienie klasy o mniejszej liczebności o dodatkowe przykłady. [eduexe-source]11:4[/eduexe-source][eduexe-source]12:1[/eduexe-source]
3. Dane spoza klas: Gdy model jest proszony o klasyfikację danych, których typu nigdy nie widział podczas treningu. Naprawa polega na dodaniu nowej klasy wraz z odpowiednią liczbą przykładów dla tego typu danych. [eduexe-source]11:5[/eduexe-source][eduexe-source]12:1[/eduexe-source]

[student_1136_r21]

Czy dane ze zbioru testowego mogą być we zbiorze uczącym?

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Nie, dane ze zbioru testowego nie mogą być w zbiorze uczącym. Zbiór testowy składa się z przykładów, których model nie wykorzystał w procesie uczenia się. Jego celem jest sprawdzenie, jak dobrze model radzi sobie z nowymi, nieznanymi danymi. [eduexe-source]15:3[/eduexe-source][eduexe-source]20:1[/eduexe-source]

[student_1136_r21]

Jakie problemy może spowodować duży współczynnik uczenia

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Zbyt duży współczynnik uczenia (learning rate) może spowodować, że model będzie "przeskakiwał" przez optymalne rozwiązanie, co oznacza, że może nie osiągnąć oczekiwanej dokładności lub zbieżności. Zamiast zbliżać się do celu, może oddalać się od niego w kolejnych krokach uczenia. [eduexe-source]16:7[/eduexe-source]

[student_1136_r21]

Jakie problemy może spowodować duża wielkość wsadu?

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Duża wielkość wsadu (batch size) może spowodować, że do ukończenia pojedynczej epoki potrzebne będzie więcej zasobów obliczeniowych. [eduexe-source]16:5[/eduexe-source]

[student_1136_r21]

Tylko to?

[bot_eduexe]

[eduexe-intent]other[/eduexe-intent]
Tak, oprócz większego zapotrzebowania na zasoby obliczeniowe [eduexe-source]16:5[/eduexe-source], duża wielkość wsadu (batch size) może również negatywnie wpływać na zdolność modelu do generalizacji, co oznacza, że może gorzej radzić sobie z nowymi, nieznanymi danymi.

[student_1136_r21]

Czy zawsze F1 jest najlepszym wyborem?

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Nie, F-score nie zawsze jest najlepszym wyborem. Jest to uniwersalna metryka, stanowiąca kompromis między precyzją a czułością, ale nie jest doskonała. Bazując na tych dwóch metrykach, bierze pod uwagę tylko 3 z 4 ćwiartek macierzy pomyłek, ignorując przypadki prawdziwie negatywne. W zależności od celu modelu, np. gdy priorytetem jest minimalizacja fałszywie pozytywnych (wtedy lepsza jest precyzja) lub fałszywie negatywnych (wtedy lepsza jest czułość) wyników, inne metryki mogą być bardziej odpowiednie.
[eduexe-source]25:1[/eduexe-source][eduexe-source]25:3[/eduexe-source][eduexe-source]26:4[/eduexe-source]