conversation_by_81e
-
Topic created
-
zastosawanie uczenia maszynowego do analizy danych
-
zastosawanie uczenia maszynowego do analizy danych
[eduexe-intent]course_content[/eduexe-intent]
Uczenie Maszynowe jest szeroko stosowane w analizie danych, co obejmuje m.in. systematykę obiektów astronomicznych, rozpoznawanie chorób na podstawie symptomów, modelowanie terapii lekowych, rozpoznawanie pisma, klasyfikowanie danych do grup tematycznych, przewidywanie trendów na rynkach finansowych oraz wykrywanie prania pieniędzy. [eduexe-source]7:4[/eduexe-source] -
jakie firmy są znane z analizy danych rynkowych przy użyciu uczenia maszynowego?
-
jakie firmy są znane z analizy danych rynkowych przy użyciu uczenia maszynowego?
[eduexe-intent]other[/eduexe-intent]
Wiele firm wykorzystuje uczenie maszynowe do analizy danych rynkowych. Należą do nich duże instytucje finansowe (np. JPMorgan Chase, Goldman Sachs), firmy technologiczne oferujące rozwiązania dla sektora finansowego (np. IBM, Google Cloud) oraz specjalistyczne firmy z branży FinTech i analityki danych (np. Bloomberg, S&P Global). Zastosowania obejmują m.in. prognozowanie trendów i wykrywanie oszustw. [eduexe-source]7:4[/eduexe-source] -
dlaczego u mnie model rozpoznał kota na 100% a w materiałach na 99%?
-
dlaczego u mnie model rozpoznał kota na 100% a w materiałach na 99%?
[eduexe-intent]course_content[/eduexe-intent]
Modele uczenia maszynowego nie są deterministyczne. Oznacza to, że nawet jeśli wytrenujesz model kilkukrotnie na tych samych danych, może on za każdym razem zachowywać się trochę inaczej, co może skutkować różnymi wartościami pewności dla tego samego przypadku testowego (np. raz 99%, innym razem 100%). [eduexe-source]8:7[/eduexe-source] -
moja sieć rozpoznała kotopsa jako kota bez dodatkowego treningu
-
moja sieć rozpoznała kotopsa jako kota bez dodatkowego treningu
[eduexe-intent]other[/eduexe-intent]
To interesujące spostrzeżenie! Nawet bez dodatkowego treningu na "kotopsach" jako osobnej klasie, Twój model mógł generalizować cechy, których nauczył się z innych zdjęć kotów. Modele uczenia maszynowego potrafią znajdować wzorce, które pozwalają im klasyfikować nowe, nieznane wcześniej przypadki, jeśli mają wystarczająco dużo podobnych przykładów w danych treningowych.Dodatkowo, jak już rozmawialiśmy, modele nie są w pełni deterministyczne. Każde uruchomienie treningu, nawet na tych samych danych, może prowadzić do nieco innych wyników, co wpływa na to, jak model radzi sobie z przypadkami granicznymi.
Więcej na temat problemów z danymi i przypadków granicznych znajdziesz w kursie w sekcji "Dane w procesie uczenia się" [eduexe-source]11:2[/eduexe-source][eduexe-source]11:3[/eduexe-source][eduexe-source]11:4[/eduexe-source].
-
dlaczego dodanie klasy pośredniej jest często dobrym rozwiązaniem?
-
dlaczego dodanie klasy pośredniej jest często dobrym rozwiązaniem?
[eduexe-intent]course_content[/eduexe-intent]
Dodanie klasy pośredniej jest często dobrym rozwiązaniem dla przypadków granicznych, które modelowi trudno jednoznacznie zaklasyfikować do istniejących kategorii. Pozwala to modelowi na uwzględnienie niejednoznaczności, zamiast wymuszania potencjalnie błędnej klasyfikacji do jednej z głównych klas. Jest to efektywne, gdy dysponujemy wystarczającą liczbą takich trudnych przykładów, by utworzyć nową klasę. [eduexe-source]11:4[/eduexe-source][eduexe-source]12:3[/eduexe-source][eduexe-source]14:6[/eduexe-source] -
wytłumacz zbiór testowy vs zbiór uczący
-
wytłumacz zbiór testowy vs zbiór uczący
[eduexe-intent]course_content[/eduexe-intent]
W uczeniu maszynowym dane są dzielone na dwa główne zbiory:- Zbiór uczący (treningowy): Zawiera przykłady, na których model się uczy, znając z góry prawidłową klasyfikację. [eduexe-source]15:3[/eduexe-source]
- Zbiór testowy: Składa się z przykładów, których model nie widział podczas uczenia się. Służy do oceny, jak dobrze model radzi sobie z klasyfikacją nowych danych, co jest miarą jego skuteczności. [eduexe-source]15:3[/eduexe-source]
W Google Teachable Machine dane są automatycznie dzielone, zazwyczaj 85% do zbioru uczącego i 15% do testowego. [eduexe-source]15:4[/eduexe-source]
-
co to wsad?
-
co to wsad?
[eduexe-intent]course_content[/eduexe-intent]
Wsad (ang. batch) to porcja przykładów, które model uczenia maszynowego przetwarza jednocześnie w trakcie treningu. Jest to liczba przykładów, jaką model otrzymuje na raz do nauki w pojedynczej iteracji swojego działania. [eduexe-source]20:1[/eduexe-source][eduexe-source]16:5[/eduexe-source] -
co to wsad (koszykówka)?/
-
co to wsad (koszykówka)?/
[eduexe-intent]course_content[/eduexe-intent]
Brak informacji w dostarczonym źródle. -
cotowsad?
-
cotowsad?
[eduexe-intent]other[/eduexe-intent]
Wsad (ang. batch) to rozmiar porcji treningowej, czyli liczba przykładów, którą model uczenia maszynowego przetwarza jednocześnie w pojedynczej iteracji swojego działania. Jest to jeden z parametrów, które można regulować podczas trenowania modelu. [eduexe-source]16:5[/eduexe-source] -
wytłumacz współczynnik uczenie