conversation_by_m54

bot_eduexe

[eduexe-intent]student_progress[/eduexe-intent]
W Teście początkowym miałeś błędne odpowiedzi w następujących pytaniach:

Pytanie: "Która z poniższych algorytmów jest przykładem uczenia przez wzmocnienie:"
- Błędne elementy: Oprócz "Q-learning", powinieneś zaznaczyć także "Monte Carlo".
Pytanie: "Które metryki ewaluacji są odpowiednie dla problemów klasyfikacji, w których jedna klasa występuje znacznie rzadziej niż inne?"
- Błędne elementy: Nieprawidłowo zaznaczyłeś "Recall (Czułość)" i "Precision (Precyzja)". Poprawną odpowiedzią było tylko "F1".

student_1136_m54

Wyjaśnij mi najważniejsze pojęcia z aktualnej części kursu prostym językiem. Odwołuj się do materiałów kursu.

bot_eduexe

[eduexe-intent]course_content[/eduexe-intent]
Z aktualnej części kursu, "Podstawowe pojęcia UM", najważniejsze pojęcia to:

Zbiór uczący: Dane, na których model się uczy, znając poprawne odpowiedzi. [eduexe-source]15:3[/eduexe-source]
Zbiór testowy: Dane, których model nie widział, służą do sprawdzenia jego skuteczności. [eduexe-source]15:3[/eduexe-source]
Epoka: Jednokrotne przejście modelu przez cały zbiór uczący podczas treningu. [eduexe-source]16:3[/eduexe-source]
Wsad: Liczba przykładów przetwarzanych naraz przez model w jednej iteracji. [eduexe-source]16:5[/eduexe-source]
Współczynnik uczenia: Wielkość kroku, o jaki model koryguje swoje wyniki. [eduexe-source]16:7[/eduexe-source]
Funkcja straty: Mierzy, jak bardzo model się myli; celem jest jej minimalizacja. [eduexe-source]17:2[/eduexe-source]
Przeuczenie: Model zapamiętuje dane uczące i słabo radzi sobie z nowymi. [eduexe-source]17:4[/eduexe-source]
Niedouczenie: Model jest zbyt prosty lub za mało wytrenowany. [eduexe-source]17:6[/eduexe-source]
Macierz pomyłek: Tabela pokazująca, ile przykładów zostało poprawnie i błędnie sklasyfikowanych. [eduexe-source]18:1[/eduexe-source]

student_1136_m54

a wiesz może czy mam szansę na te 2 dodatkowe punkty już teraz? czy przepadło

bot_eduexe

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

student_1136_m54

a w trakcie testu możesz mi też pomagać?

bot_eduexe

[eduexe-intent]other[/eduexe-intent]
Jako asystent w kursie e-learningowym nie mogę udzielać bezpośredniej pomocy w trakcie trwania testów punktowanych, takich jak test początkowy, testy cząstkowe czy test końcowy. Ma to na celu zapewnienie rzetelnej oceny Twojej wiedzy i umiejętności.

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]

student_1136_m54

a z czego muszę się przygotować do testu Wprowadzenie do UM, jakieś podsumowanie wiedy

bot_eduexe

[eduexe-intent]course_content[/eduexe-intent]
Do testu "Wprowadzenie do UM" musisz przygotować się z:

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]

student_1136_m54

ok a do podstawowe pojecia UM test?

bot_eduexe

[eduexe-intent]course_content[/eduexe-intent]
Do testu "Podstawowe pojęcia UM" musisz przygotować się ze wszystkich pojęć omówionych w tej części kursu. Należą do nich:

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]

student_1136_m54

a molgbys przepisac to podsumowanie?

bot_eduexe

[eduexe-intent]other[/eduexe-intent]
Oto podsumowanie podstawowych pojęć Uczenia Maszynowego z kursu:

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]

student_1136_m54

a co zaznaczylem

bot_eduexe

[eduexe-intent]student_progress[/eduexe-intent]
Odpowiadając na Twoje pytanie dotyczące tego, co zaznaczyłeś w ostatnim teście "CT - Podstawowe pojęcia UM - Test" [eduexe-source]19:0[/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")

student_1136_m54

ok a teraz do testu z metryk

bot_eduexe

[eduexe-intent]student_progress[/eduexe-intent]
Do testu "Metryki - test" musisz przygotować się z wiedzy i umiejętności dotyczących metryk wykorzystywanych w uczeniu maszynowym. W teście może przydać się kalkulator do obliczania wartości metryk. [eduexe-source]28:0[/eduexe-source]

student_1136_m54

a wypiszesz mi to podsumowanie 28:0 ?

bot_eduexe

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

student_1136_m54

w sensie czy wypiszesz mi to podsumowanie z tego zrodla

Eduexe Forum

conversation_by_m54