conversation_by_a2y

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Najważniejsze zagadnienia z tej części kursu to: definicja i główne elementy Uczenia Maszynowego, jego zastosowania, podział na rodzaje (nadzorowane, nienadzorowane, przez wzmacnianie) oraz podstawowe problemy uczenia nadzorowanego (predykcja i klasyfikacja).
[eduexe-source]7:1[/eduexe-source][eduexe-source]7:4[/eduexe-source][eduexe-source]7:6[/eduexe-source][eduexe-source]7:8[/eduexe-source]

[student_1137_a2y]

przechodzimy do modulu B, podaj przyklady nietypowych danych testowych

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Nietypowe dane testowe to takie, które sprawiają modelowi trudność w prawidłowej klasyfikacji. Przykłady z kursu to:

1. Przypadki graniczne między klasami: Dane, które posiadają cechy wspólne dla kilku klas, np. zdjęcie kota rasy Lykoi, który wygląda jak pies i może zostać błędnie zaklasyfikowany przez model uczony na psach i kotach. [eduexe-source]11:2[/eduexe-source]
2. Dane spoza klas: Obiekty, których model nie widział w procesie uczenia się i nie ma dla nich zdefiniowanej klasy, np. zdjęcie samochodu podane modelowi wytrenowanemu do rozpoznawania tylko psów i kotów. Model błędnie przypisze samochód do jednej z poznanych klas. [eduexe-source]11:5[/eduexe-source]

[student_1137_a2y]

jakie sa najczestsze problemy z danymi testowymi?

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Najczęstsze problemy z danymi testowymi to: przypadki graniczne między klasami (dane trudne do sklasyfikowania, bo mają cechy wspólne dla kilku klas), nierówna liczebność klas (gdy jedna klasa jest znacznie słabiej reprezentowana) oraz dane spoza klas (obiekty, których model nie widział podczas uczenia i nie ma dla nich zdefiniowanej klasy).
[eduexe-source]11:2[/eduexe-source][eduexe-source]11:4[/eduexe-source][eduexe-source]11:5[/eduexe-source]

[student_1137_a2y]

jak mozemy naprawiac modele?

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Modele możemy naprawiać poprzez odpowiednie modyfikowanie danych, na których się uczą. W przypadku danych spoza klas należy dodać nową klasę i załadować do niej odpowiednie przykłady. Dla nierównej liczebności klas uzupełnia się mniej liczną klasę o dodatkowe dane. Trudne przypadki graniczne można rozwiązać, dodając więcej podobnych przykładów do istniejącej klasy lub tworząc dodatkową klasę pośrednią. Po każdej zmianie danych należy ponownie wytrenować model. [eduexe-source]12:1[/eduexe-source][eduexe-source]12:3[/eduexe-source][eduexe-source]14:4[/eduexe-source][eduexe-source]14:5[/eduexe-source][eduexe-source]14:6[/eduexe-source]

[student_1137_a2y]

przechodzimy do modulu C. czym jest zbior uczacy?

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Zbiór uczący (ang. train set) to zbiór przykładów, na których model uczenia maszynowego się uczy, znając z góry prawidłową klasyfikację. Na przykład, w modelu rozróżniającym kanarki i wróble, zbiór uczący zawierałby zdjęcia kanarków podpisane jako "kanarki" oraz zdjęcia wróbli podpisane jako "wróble". [eduexe-source]15:3[/eduexe-source]

[student_1137_a2y]

czy W Google Teachable Machine należy ręcznie dokonać podziału danych na zbiór uczący i zbiór testowy?

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
W Google Teachable Machine nie trzeba ręcznie dokonywać podziału danych na zbiór uczący i zbiór testowy. Narzędzie robi to automatycznie. [eduexe-source]15:4[/eduexe-source][eduexe-source]15:6[/eduexe-source]

[student_1137_a2y]

czym sa epoki w uczeniu maszynowym?

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Epoka (ang. epoch) w uczeniu maszynowym to pojedyncze przejście modelu w czasie treningu przez wszystkie przykłady ze zbioru uczącego. Oznacza to, że model przetwarza cały zbiór danych treningowych jeden raz. Zazwyczaj potrzeba wielu epok, aby model nauczył się efektywnie. [eduexe-source]16:3[/eduexe-source]

[student_1137_a2y]

przechodzimy do modułu D. Nie rozumiem czym sa metryki, czy moglbys wyjasnic lopatologicznie?

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Metryki w uczeniu maszynowym to po prostu miary lub wskaźniki, które służą do oceny, jak dobrze działa wytrenowany model. Dzięki nim możesz porównać różne modele i wybrać ten, który radzi sobie najlepiej. Zazwyczaj im wyższa wartość metryki, tym lepszy model. [eduexe-source]21:1[/eduexe-source]

[student_1137_a2y]

jak wyznaczamy dokladnosc modelu?

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Dokładność (ang. Accuracy) to podstawowa metryka służąca do oceny jakości modelu w Uczenie Maszynowym. Wyznacza się ją jako stosunek poprawnie zaklasyfikowanych przez model przykładów testowych do wszystkich przykładów testowych. Im większa wartość dokładności (od 0 do 1), tym lepiej świadczy to o modelu. [eduexe-source]22:1[/eduexe-source]

[student_1137_a2y]

jak mozemy to zonaczyc w GTM?

[bot_eduexe]

[eduexe-intent]other[/eduexe-intent]
W Google Teachable Machine dokładność modelu możesz zobaczyć, otwierając zakładkę "Dla zaawansowanych" w sekcji "Trening". Tam znajdziesz:

1. "Dokładność wg klas": GTM oblicza dokładność z podziałem na poszczególne klasy.
2. "Macierz pomyłek": Na jej podstawie możesz samodzielnie obliczyć globalną dokładność dla całego modelu.
3. Wykres dokładności: Możesz również zobaczyć wykres pokazujący, jak zmieniała się dokładność modelu w kolejnych epokach trenowania.

[eduexe-source]22:3[/eduexe-source]

[student_1137_a2y]

czym roznia sie precyzja a dokladnosc?