1. Identyfikować i rozumieć problemy z danymi w procesie uczenia maszynowego: dane spoza zdefiniowanych klas, nierówna liczebność klas oraz przypadki graniczne. [eduexe-source]11:2[/eduexe-source][eduexe-source]11:4[/eduexe-source][eduexe-source]11:5[/eduexe-source]
2. Proponować i stosować rozwiązania dla tych problemów, np. dodawanie nowych klas lub przykładów, tworzenie klas pośrednich. [eduexe-source]12:1[/eduexe-source][eduexe-source]12:3[/eduexe-source][eduexe-source]12:5[/eduexe-source]
3. Praktycznie wykorzystywać Google Teachable Machine do manipulacji danymi i trenowania modelu. [eduexe-source]11:6[/eduexe-source][eduexe-source]12:1[/eduexe-source]

• Definicja i cel metryk: Zrozumienie, czym są metryki w kontekście Uczenia Maszynowego i do czego służą. [eduexe-source]21:1[/eduexe-source]
• Macierz pomyłek: Znajomość pojęć prawdziwie pozytywnych (TP), prawdziwie negatywnych (TN), fałszywie pozytywnych (FP) i fałszywie negatywnych (FN), które są podstawą do obliczania metryk. [eduexe-source]21:2[/eduexe-source]
• Obliczanie i interpretacja metryk:
  • Dokładność (Accuracy): Jak ją obliczyć i kiedy jest dobrą miarą. [eduexe-source]22:1[/eduexe-source][eduexe-source]22:6[/eduexe-source]
  • Precyzja (Precision): Jak ją obliczyć i w jakich sytuacjach jest kluczowa. [eduexe-source]23:1[/eduexe-source][eduexe-source]23:4[/eduexe-source]
  • Czułość (Recall): Jak ją obliczyć i kiedy jest szczególnie ważna. [eduexe-source]24:1[/eduexe-source][eduexe-source]24:3[/eduexe-source]
  • F-score: Czym jest i jak się go oblicza jako kompromis między precyzją a czułością. [eduexe-source]25:1[/eduexe-source][eduexe-source]25:2[/eduexe-source]
• Kiedy stosować poszczególne metryki: Zrozumienie, która metryka jest najbardziej odpowiednia w zależności od problemu i charakterystyki danych. [eduexe-source]26:4[/eduexe-source]
• Porównywanie modeli: Umiejętność porównywania modeli na podstawie wartości metryk. [eduexe-source]26:1[/eduexe-source]

Do obliczania wartości metryk w teście może przydać się kalkulator. [eduexe-source]28:1[/eduexe-source]

• Pytanie: "Pracujemy na modelu wczytanym do GTM z pliku "model_CT.tm". Z ilu przykładów składa się zbiór testowy dla wczytanego modelu?"
  • Twoja odpowiedź: "60" (Poprawna)
• Pytanie: "Na podstawie załączonej macierzy pomyłek wybierz zdania prawdziwe."
  • Twoje odpowiedzi: "Dla zbioru testowego, model raz błędnie wskazał cyfrę 2 jako cyfrę 5", "Dla zbioru testowego, model raz błędnie wskazał cyfrę 5 jako cyfrę 2" (Poprawne)
• Pytanie: "Patrząc na załączony wykres funkcji straty (do 10 epoki), można powiedzieć, że model jest..."
  • Twoja odpowiedź: "przeuczony" (Poprawna)
• Pytanie: "Wybierz jedyne w zestawie zdanie prawdziwe."
  • Twoja odpowiedź: "Im niższa wartość straty dla zbioru testowego, tym lepszy model." (Poprawna)
• Pytanie: "Pracujemy na modelu wczytanym do GTM z pliku "model_CT.tm". Z ilu wsadów dla wczytanego modelu będzie składać się pojedyncza epoka?"
  • Twoja odpowiedź: "22" (Niepoprawna, poprawna to "11")

Zbiór uczący (inaczej treningowy, ang. train set) - dane, dla których model zna poprawne odpowiedzi i na których jest trenowany.
Zbiór testowy (ang. test set) - dane, z którymi model nie miał do czynienia w procesie uczenia się i nie zna dla nich poprawnych odpowiedzi, wykorzystywane do przetestowania, jak dobrze model jest wytrenowany. Podział danych na zbiór uczący i zbiór testowy: zbiór uczący musi być wyraźnie większy niż zbiór testowy. Google Teachable Machine stosuje automatyczny podział danych w proporcji 85:15.
Epoka (ang. epoch) - pojedyncze przejście modelu przez cały zbiór uczący w procesie trenowania.
Wsad (ang. batch) - porcja przykładów, które model przetwarza jednocześnie.
Współczynnik uczenia się (ang. learning rate) - parametr modelu, który określa, jak duże kroki w kierunku poprawnego rozwiązania po każdej nowej ekspozycji na dane model będzie wykonywał.
Funkcja straty (ang. loss function) - funkcja określająca stopień wytrenowania modelu, którą staramy się minimalizować. Dla idealnego modelu wartość straty wyniesie 0.
Przeuczenie (ang. overfitting) - stan, w którym model za bardzo dopasował się do zbioru uczącego i nie radzi sobie z poprawną klasyfikacją w zbiorze testowym.
Niedouczenie (ang. underfitting) - stan, w którym model nie dał rady wykryć prawidłowości w danych.
Macierz (tablica) pomyłek (ang. confusion matrix) - macierz przygotowywana dla zbioru testowego, z której odczytujemy, ile przykładów testowych zostało sklasyfikowanych poprawnie, a ile błędnie. [eduexe-source]20:1[/eduexe-source]

• Zbiór uczący i Zbiór testowy
• Epoka
• Wsad
• Współczynnik uczenia
• Funkcja straty
• Przeuczenie
• Niedouczenie
• Macierz pomyłek

Wszystkie te pojęcia zostały podsumowane w kursie. [eduexe-source]20:1[/eduexe-source]

• Podstawowych definicji i głównych elementów Uczenia Maszynowego [eduexe-source]7:1[/eduexe-source]
• Podziału UM na rodzaje (nadzorowane, nienadzorowane, przez wzmacnianie) [eduexe-source]7:6[/eduexe-source]
• Zastosowań Uczenia Maszynowego [eduexe-source]7:4[/eduexe-source]
• Problemów UM nadzorowanego (predykcja i klasyfikacja) [eduexe-source]7:8[/eduexe-source]
• Obsługi Google Teachable Machine (tworzenie projektu, ładowanie danych, trenowanie i sprawdzanie modelu) [eduexe-source]8:3[/eduexe-source][eduexe-source]8:4[/eduexe-source][eduexe-source]8:5[/eduexe-source][eduexe-source]8:6[/eduexe-source]

Mogę jednak pomagać w quizach i zadaniach typu "Sprawdź się!", które nie są punktowane i służą do utrwalania wiedzy. [eduexe-source]1:1[/eduexe-source]