conversation_by_8pk
-
wytlumacz mi lepiej uczenie maszynowe
-
wytlumacz mi lepiej uczenie maszynowe
[eduexe-intent]course_content[/eduexe-intent]
Uczenie Maszynowe (UM, ang. Machine Learning - ML) to obszar Sztucznej Inteligencji (AI), który koncentruje się na rozwijaniu algorytmów automatycznie poprawiających się poprzez doświadczenie, czyli ekspozycję na dane. Algorytmy te budują model matematyczny na podstawie dostarczonych danych, który potrafi podejmować decyzje lub prognozować rezultaty bez bycia wprost zaprogramowanym do danego celu. [eduexe-source]7:1[/eduexe-source] -
czym jest predykcja?
-
czym jest predykcja?
[eduexe-intent]course_content[/eduexe-intent]
Predykcja to przewidywanie przez model konkretnej wartości liczbowej zmiennej zależnej na podstawie wartości zmiennych niezależnych. Przykładem predykcji jest przewidywanie cen mieszkań w danym mieście na podstawie ich odległości od centrum. [eduexe-source]7:8[/eduexe-source] -
a klasyfikacja
-
a klasyfikacja
[eduexe-intent]other[/eduexe-intent]
Klasyfikacja to jeden z podstawowych problemów Uczenia Maszynowego nadzorowanego. Polega na przypisywaniu przez model danego obiektu do jednej z określonych klas. Przykładem jest odróżnianie zdjęć psów od zdjęć kotów. [eduexe-source]7:8[/eduexe-source] -
co to jest to google teachable machine
-
co to jest to google teachable machine
[eduexe-intent]course_content[/eduexe-intent]
Google Teachable Machine (GTM) to przeglądarkowe narzędzie firmy Google, które pozwala na tworzenie modeli Uczenia Maszynowego bez potrzeby umiejętności programistycznych czy matematycznych. W kursie jest wykorzystywane do zadań praktycznych. [eduexe-source]8:1[/eduexe-source] -
jak istotne sa dane?
-
jak istotne sa dane?
[eduexe-intent]course_content[/eduexe-intent]
Dane są niezbędne do działania uczenia maszynowego. Odpowiedni dobór i przygotowanie danych jest niezwykle ważne, ponieważ ich jakość i reprezentatywność bezpośrednio wpływają na zdolność modelu do prawidłowego rozpoznawania i klasyfikowania obiektów. Problemy takie jak brak danych dla pewnych klas, nierówna liczebność klas czy niewystarczająca liczba przykładów mogą znacząco obniżyć skuteczność modelu. [eduexe-source]11:1[/eduexe-source][eduexe-source]14:2[/eduexe-source] -
czemu jak trenuje na bazie psow i kotow on mi np oceni auto jako psa
-
czemu jak trenuje na bazie psow i kotow on mi np oceni auto jako psa
[eduexe-intent]student_progress[/eduexe-intent]
Model klasyfikuje auto jako psa, ponieważ w procesie treningu nie nauczyłeś go rozpoznawać samochodów. Jego wiedza ogranicza się do klas, na których był trenowany (psy i koty), więc zmuszony jest przypisać nowy obiekt do jednej z tych znanych kategorii. [eduexe-source]11:5[/eduexe-source] -
a dokladniej wytlumacz mi to
-
a dokladniej wytlumacz mi to
[eduexe-intent]course_content[/eduexe-intent]
Model klasyfikuje auto jako psa, ponieważ w procesie treningu nie został nauczony rozpoznawania samochodów. Jego wiedza jest ograniczona wyłącznie do klas, na których był trenowany (psy i koty). Model nie "widział" żadnych przykładów samochodów, więc jest zmuszony przypisać nowy obiekt do jednej z tych znanych kategorii. Aby model poradził sobie z rozpoznawaniem samochodów, musiałaby zostać dodana dodatkowa klasa z obrazami samochodów do danych treningowych. [eduexe-source]11:5[/eduexe-source] -
czemu zbior uczacy musi byc wiekszy niz zbior testowy
-
czemu zbior uczacy musi byc wiekszy niz zbior testowy
[eduexe-intent]course_content[/eduexe-intent]
Zbiór uczący (treningowy) musi być znacząco większy od zbioru testowego, ponieważ model potrzebuje dużej ilości danych, aby skutecznie się na nich uczyć i potrenować klasyfikowanie. [eduexe-source]15:7[/eduexe-source] -
z czego sklada sie Zbior testowy
-
z czego sklada sie Zbior testowy
[eduexe-intent]course_content[/eduexe-intent]
Zbiór testowy (ang. test set) składa się z przykładów, których model nie wykorzystał w procesie uczenia się. Służy on do przetestowania, jak dobrze model radzi sobie z klasyfikacją nowych danych, których wcześniej nie widział. W Google Teachable Machine zbiór testowy automatycznie zawiera 15% danych z każdej klasy. [eduexe-source]15:3[/eduexe-source][eduexe-source]15:4[/eduexe-source] -
do czego mozna porownac zbior uczacy
-
do czego mozna porownac zbior uczacy
[eduexe-intent]course_content[/eduexe-intent]
Zbiór uczący można porównać do repetytorium z zadaniami, które rozwiązuje się, aby opanować materiał, i dla których w każdej chwili można sprawdzić poprawną odpowiedź. [eduexe-source]15:3[/eduexe-source]