conversation_by_4ix

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Oto poprawne odpowiedzi do zadań z części C1:

1. Zbiór testowy składa się z przykładów, na których model nie trenował.
   • Odpowiedź: Prawda [eduexe-source]15:3[/eduexe-source]
2. W Google Teachable Machine należy ręcznie dokonać podziału danych na zbiór uczący i zbiór testowy.
   • Odpowiedź: Fałsz [eduexe-source]15:4[/eduexe-source]
3. W Google Teachable Machine zbiór testowy będzie zawsze automatycznie składał się z 15% wszystkich przykładów.
   • Odpowiedź: Prawda [eduexe-source]15:7[/eduexe-source]
4. Załóżmy, że korzystając z Google Teachable Machine, trenujemy model dla trzech klas. Dla każdej z klas dostarczyliśmy po 200 przykładów. Z ilu łącznie przykładów będzie składał się cały zbiór testowy dla tego modelu?
   • Odpowiedź: 90 [eduexe-source]15:4[/eduexe-source]

[student_1137_4ix]

Jakie sa odpowiedzi do czesci c2

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Oto poprawne odpowiedzi do zadań z części C2:

Zadanie ze slajdu "Epoki - ćwiczenie" [eduexe-source]16:4[/eduexe-source]
Prawdziwe zdania:

• Zmniejszenie liczby epok prowadzi do skrócenia czasu trenowania modelu.
• Duże zmniejszenie liczby epok może prowadzić do tego, że wytrenowany model będzie gorzej radził sobie z wyznaczonym mu zadaniem klasyfikacji.

Zadanie ze slajdu "Wielkość wsadu - ćwiczenie" [eduexe-source]16:6[/eduexe-source]
Założenie: zbiór uczący składa się z 340 przykładów, wielkość wsadu to 16.
Pytanie: Ile wsadów będzie potrzebne do ukończenia jednej epoki?
Odpowiedź: 22

Zadanie ze slajdu "Współczynnik uczenia - ćwiczenie" [eduexe-source]16:8[/eduexe-source]
Pytanie: Jakiego niezbezpieczeństwa można się spodziewać w związku ze znacznym podwyższeniem współczynnika uczenia?
Odpowiedź: Dokładność modelu może znacznie spaść.

[student_1137_4ix]

Kiedy powstal GTM

[bot_eduexe]

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

[student_1137_4ix]

Ktra jest godzina

[bot_eduexe]

[eduexe-intent]other[/eduexe-intent]
Aktualnie jest 20:07.

[student_1137_4ix]

Jak zmienic ile % danych trafi do zbioru uczacego w GTM

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
W Google Teachable Machine dane są zawsze automatycznie dzielone na zbiór uczący i zbiór testowy w proporcji 85:15. Nie ma możliwości ręcznej zmiany tej proporcji. [eduexe-source]15:7[/eduexe-source]

[student_1137_4ix]

czy niewielka roznica w ilosci przykladow w zbiorach uczacych ma znaczenie jesli zbiory sa ogromne

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Na podstawie materiałów kursu, ważne jest, aby wszystkie klasy w zbiorze uczącym miały podobną liczbę reprezentantów. Nierówna liczebność klas, zwłaszcza gdy liczba przypadków jednego typu jest zbyt mała w porównaniu z innymi, może prowadzić do tego, że model po prostu zignoruje te mniej liczne przypadki. [eduexe-source]11:4[/eduexe-source][eduexe-source]14:5[/eduexe-source] Kurs nie precyzuje jednak, czy niewielka różnica w ilości przykładów ma znaczenie w przypadku ogromnych zbiorów danych.

[student_1137_4ix]

Jakie sa prawidlowe odpowiedzi do testu z czesci C

[bot_eduexe]

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

[student_1137_4ix]

ile roznych metryk przedstawiono w kursie

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
W kursie przedstawiono cztery różne metryki: dokładność (accuracy), precyzję (precision), czułość (recall) oraz F-score. [eduexe-source]29:1[/eduexe-source][eduexe-source]29:2[/eduexe-source]

[student_1137_4ix]

czy jedna z tych metryk jest obiektywnie lepsza od innych

[bot_eduexe]

[eduexe-intent]other[/eduexe-intent]
Nie, żadna z metryk (dokładność, precyzja, czułość, F-score) nie jest obiektywnie lepsza od innych. Każda z nich ma swoje wady i zalety, a wybór odpowiedniej zależy od specyfiki danych i głównego celu modelu. [eduexe-source]26:4[/eduexe-source]