conversation_by_81e

[student_1137_81e]

moja sieć rozpoznała kotopsa jako kota bez dodatkowego treningu

[bot_eduexe]

[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].

[student_1137_81e]

dlaczego dodanie klasy pośredniej jest często dobrym rozwiązaniem?

[bot_eduexe]

[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]

[student_1137_81e]

wytłumacz zbiór testowy vs zbiór uczący

[bot_eduexe]

[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]

[student_1137_81e]

co to wsad?

[bot_eduexe]

[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]

[student_1137_81e]

co to wsad (koszykówka)?/

[bot_eduexe]

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

[student_1137_81e]

cotowsad?

[bot_eduexe]

[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]

[student_1137_81e]

wytłumacz współczynnik uczenie

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Współczynnik uczenia (ang. learning rate) to parametr, który określa wielkość "kroku", o jaki model uczenia maszynowego koryguje swój wynik w kierunku oczekiwanego rozwiązania podczas treningu. Zbyt mały współczynnik wydłuża proces uczenia, a zbyt duży może sprawić, że model "przeskoczy" optymalne rozwiązanie, nie osiągając go. [eduexe-source]16:7[/eduexe-source]

[student_1137_81e]

co to confusion matrix?

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Macierz pomyłek (ang. confusion matrix), nazywana również tablicą pomyłek, to narzędzie kluczowe dla oceny modeli uczenia maszynowego. Pozwala ona odczytać, ile przykładów testowych z poszczególnych klas zostało sklasyfikowanych poprawnie, a ile błędnie, co umożliwia porównywanie modeli między sobą. [eduexe-source]18:1[/eduexe-source]

[student_1137_81e]

wytłumacz accurancy

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Dokładność (ang. Accuracy) to podstawowa metryka oceny jakości modelu w Uczeniu Maszynowym. Jest to stosunek poprawnie zaklasyfikowanych przez model przykładów testowych do wszystkich przykładów testowych. Im większa jej wartość (od 0 do 1), tym lepiej – model, który zawsze się myli, ma dokładność 0, a model bezbłędny ma dokładność 1. [eduexe-source]22:1[/eduexe-source]

[student_1137_81e]

wytłumacz precyzje

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Precyzja (ang. precision) to metryka oceny jakości modelu uczenia maszynowego. Definiuje się ją jako stosunek poprawnie sklasyfikowanych przypadków pozytywnych do liczby wszystkich przypadków sklasyfikowanych przez model jako pozytywne. Mówiąc prościej, precyzja odpowiada na pytanie, ile spośród wszystkich przykładów, które model uznał za pozytywne, faktycznie było pozytywnych. Jest szczególnie użyteczna, gdy chcemy ograniczyć liczbę fałszywie pozytywnych klasyfikacji. [eduexe-source]23:1[/eduexe-source]