conversation_by_5n1

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Rozumiem, że interesuje Cię temat zbiorów danych używanych w uczeniu maszynowym.

Wyobraź sobie, że uczysz się do egzaminu. Materiały do nauki, z których korzystasz i znasz odpowiedzi, to "zbiór uczący". Zadania na egzaminie, których nie widziałeś wcześniej, to "zbiór testowy". Model Uczenia Maszynowego uczy się na "zbiorze uczącym", a potem jest sprawdzany na "zbiorze testowym", aby sprawdzić, czy naprawdę się nauczył, czy tylko zapamiętał.

Przykład: Gdy uczysz model rozpoznawać psy i koty, pokazujesz mu wiele zdjęć z etykietami "pies" lub "kot" (zbiór uczący). Następnie testujesz go na nowych zdjęciach bez etykiet (zbiór testowy), aby zobaczyć, czy potrafi poprawnie je sklasyfikować. [eduexe-source]15:3[/eduexe-source]

Pytanie sprawdzające: Dlaczego model jest testowany na danych, których nie widział podczas nauki?
A) Aby mógł zapamiętać wszystkie możliwe scenariusze.
B) Aby sprawdzić, czy jego wiedza jest ogólna, a nie tylko zapamiętana.
C) Aby nauczyć go nowych informacji.

[student_1137_5n1]

Na podstawie aktualnej części kursu i moich postępów zadaj mi 2-3 krótkie pytania kontrolne. Nie podawaj od razu odpowiedzi; najpierw sprawdź moje rozumienie.

[bot_eduexe]

[eduexe-intent]student_progress[/eduexe-intent]
Dobrze, skupmy się na Twoich postępach w temacie zbiorów uczących i testowych.

Oto 3 krótkie pytania sprawdzające:

1. Jaka jest główna różnica między zbiorem uczącym a zbiorem testowym?
2. Czy w Google Teachable Machine musisz ręcznie dzielić dane na zbiór uczący i testowy, czy dzieje się to automatycznie?
3. Jeśli masz model z 4 klasami, a każda klasa ma po 100 przykładów, ile przykładów znajdzie się łącznie w zbiorze testowym w Google Teachable Machine?

[eduexe-source]15:3[/eduexe-source][eduexe-source]15:4[/eduexe-source]

[student_1137_5n1]

zbiór uczacy jest wiekszy od zbirou testowego np. 80:20 . zbior testowy uzywamy tylko raz

[bot_eduexe]

[eduexe-intent]other[/eduexe-intent]
Tak, dokładnie! Masz rację, że zbiór uczący jest zazwyczaj większy od testowego, często w proporcji 80:20 [eduexe-source]15:7[/eduexe-source]. Bardzo dobrze też zauważyłeś, że zbiór testowy powinien być używany tylko raz, aby obiektywnie ocenić model na danych, których wcześniej nie widział [eduexe-source]15:3[/eduexe-source].

To była świetna odpowiedź na pierwsze pytanie. Jak poradzisz sobie z pozostałymi dwoma?

[student_1137_5n1]

podaj wzor na accuracy i daj przyklad obliczen

[bot_eduexe]

[eduexe-intent]other[/eduexe-intent]
Dokładność (Accuracy) to podstawowa metryka służąca do oceny jakości modelu w Uczeniu Maszynowym. Oblicza się ją jako stosunek poprawnie zaklasyfikowanych przykładów testowych do wszystkich przykładów testowych.

Wzór na dokładność to:
Accuracy = (Prawdziwie Pozytywne (TP) + Prawdziwie Negatywne (TN)) / (Prawdziwie Pozytywne (TP) + Fałszywie Pozytywne (FP) + Prawdziwie Negatywne (TN) + Fałszywie Negatywne (FN))

Przykład obliczeń:
Załóżmy, że model odróżnia psy od kotów. W zbiorze testowym:

• 20 psów zostało poprawnie ocenionych jako psy.
• 15 kotów zostało poprawnie ocenionych jako koty.
• 5 psów zostało błędnie ocenionych jako koty.
• 10 kotów zostało błędnie ocenionych jako psy.

Liczba poprawnych klasyfikacji: 20 + 15 = 35
Liczba wszystkich przykładów: 20 + 15 + 5 + 10 = 50

Dokładność = 35 / 50 = 0.7 = 70%.

[eduexe-source]22:1[/eduexe-source][eduexe-source]22:2[/eduexe-source][eduexe-source]22:5[/eduexe-source]

[student_1137_5n1]

jak dobrze przygotowac zbior testowy i uczacy? czy dane musza byc oczyszczone ?

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Aby dobrze przygotować zbiór uczący i testowy, kluczowe jest zapewnienie wysokiej jakości danych i ich odpowiedniego zbalansowania. Zbiór uczący powinien być znacząco większy od testowego, a zbiór testowy musi być reprezentatywny dla całości danych i wystarczająco duży [eduexe-source]15:7[/eduexe-source].

Tak, dane muszą być odpowiednio przygotowane, co w praktyce oznacza ich "oczyszczenie" i korektę. Należy zwrócić uwagę na takie problemy jak nierówna liczebność klas (uzupełniając dane w mniej licznych klasach) [eduexe-source]11:4[/eduexe-source][eduexe-source]14:5[/eduexe-source], dane spoza zdefiniowanych klas (dodając dla nich nowe klasy) [eduexe-source]11:5[/eduexe-source][eduexe-source]14:4[/eduexe-source] oraz przypadki graniczne (dodając więcej podobnych przykładów lub tworząc klasy pośrednie) [eduexe-source]11:2[/eduexe-source][eduexe-source]12:3[/eduexe-source][eduexe-source]14:6[/eduexe-source]. Pamiętaj, że model będzie co najwyżej tak dobry, jak dane, na których się uczy [eduexe-source]11:1[/eduexe-source].

[student_1137_5n1]

chodzilo mi o przekształcenie danych i oczyszczenie (ETL) zeby uniknac szumów i blednej intrerpretacji

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Rozumiem, że interesują Cię szczegóły przekształcania i oczyszczania danych (ETL) w celu uniknięcia szumów i błędnej interpretacji. Kurs podkreśla, że odpowiednie przygotowanie danych jest kluczowe dla skutecznego działania modelu. [eduexe-source]11:1[/eduexe-source]

"Oczyszczenie" i "korekta" danych, o których mówiliśmy, mają na celu właśnie zmniejszenie "szumów" i ryzyka "błędnej interpretacji" przez model. Kurs skupia się na rozwiązywaniu konkretnych problemów z danymi, które mogą prowadzić do takich niepożądanych efektów. Są to m.in.:

• Nierówna liczebność klas: Korekta polega na uzupełnianiu danych w mniej licznych klasach. [eduexe-source]11:4[/eduexe-source]
• Dane spoza zdefiniowanych klas: Należy dodać nowe klasy dla takich danych. [eduexe-source]11:5[/eduexe-source]
• Przypadki graniczne: Można dodać więcej podobnych przykładów lub stworzyć klasy pośrednie. [eduexe-source]11:2[/eduexe-source][eduexe-source]12:3[/eduexe-source]

Pamiętaj, że model jest tylko tak dobry, jak dane, na których się uczy.

[student_1137_5n1]

jakie znasz mozliwe przekształcenia danych? zeby poprawić ich jakości zanim załaduje je do modleu ML jak zbior danych uczących

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Kurs skupia się na przekształceniach danych w kontekście problemów z ich jakością, które mogą prowadzić do "szumów" i "błędnej interpretacji" przez model. Główne przekształcenia danych, które mają na celu poprawę ich jakości przed załadowaniem do modelu ML jako zbioru uczącego, obejmują:

1. Uzupełnianie danych w mniej licznych klasach w przypadku nierównej liczebności klas, aby zapewnić modelowi wystarczającą liczbę przykładów do nauki. [eduexe-source]11:4[/eduexe-source][eduexe-source]12:1[/eduexe-source][eduexe-source]14:5[/eduexe-source]
2. Dodawanie nowych klas dla danych spoza zdefiniowanych klas, aby model potrafił je rozpoznać, zamiast błędnie przypisywać do istniejących kategorii. [eduexe-source]11:5[/eduexe-source][eduexe-source]12:1[/eduexe-source][eduexe-source]14:4[/eduexe-source]
3. Dodawanie więcej podobnych przykładów dla przypadków granicznych lub tworzenie klas pośrednich, co pomaga modelowi lepiej radzić sobie z niejednoznacznymi danymi. [eduexe-source]11:2[/eduexe-source][eduexe-source]12:3[/eduexe-source][eduexe-source]14:6[/eduexe-source]

Te działania mają na celu zapewnienie, że zbiór uczący jest reprezentatywny, zbalansowany i zawiera wystarczającą liczbę przykładów dla wszystkich istotnych kategorii.

[student_1137_5n1]

widze ze masz ograniczoną baze wiedzy. chodzilo mi o uzupełnienie brakujących wartości, odfiltrowanie pustych wierszy, usuniecie nadamiarowych zmiennych itp.

[bot_eduexe]

[eduexe-intent]other[/eduexe-intent]
Masz rację, kurs skupia się na specyficznych problemach danych obrazowych w GTM. Poza tymi, które omówiliśmy (nierówna liczebność klas, dane spoza klas, przypadki graniczne), ogólne przekształcenia danych obejmują: uzupełnianie brakujących wartości (imputacja), usuwanie pustych rekordów, redukcję wymiarowości (np. usuwanie nadmiarowych zmiennych), normalizację, standaryzację czy obsługę wartości odstających. Wszystkie te działania mają na celu poprawę jakości danych i redukcję szumów, co jest kluczowe dla każdego modelu ML [eduexe-source]11:1[/eduexe-source].

[student_1137_5n1]

w jaki spoób wynik koncowy jest przeskalowany? dalej w ocenach koncowych mam 0 punktow i X mimo ze ponizej jest 90%?

[bot_eduexe]

[eduexe-intent]student_progress[/eduexe-intent]
Rozumiem Twoje pytanie dotyczące skalowania wyników końcowych i rozbieżności między procentowym wynikiem a wyświetlanymi punktami.

Twój wynik końcowy (44 punkty z maksymalnych 81) jest obliczany na podstawie korzystniejszej dla Ciebie sumy punktów z dwóch grup testów:

1. Suma punktów za test początkowy i wszystkie testy cząstkowe.
2. Suma punktów za test początkowy i test końcowy.
   [eduexe-source]1:1[/eduexe-source]

Zgodnie z informacjami w kursie, test początkowy jest wart maksymalnie 10 punktów, a testy cząstkowe i końcowy po 20 punktów (łącznie 30 punktów w podstawowej skali). System kursu przeskalowuje te wyniki do maksymalnej liczby 81 punktów. Dokładna metoda przeliczania procentowych wyników z poszczególnych testów na punkty w skali 81-punktowej nie jest dostępna w dostarczonych danych.

Niestety, na podstawie dostępnych informacji nie jestem w stanie wyjaśnić, dlaczego w "ocenach końcowych" widzisz "0 punktów i X" pomimo 90% wyniku. Może to być związane ze specyficznym sposobem wyświetlania wyników dla poszczególnych komponentów, które nie są bezpośrednio punktowane w globalnej skali, lub dotyczyć quizów "Sprawdź się!", które nie są punktowane.

[student_1137_5n1]

chodzi mi o karte Oceny w kursie sztuczna inetligencja, pozycja wykład, pozycja wyklad asynchroniczny UM

[bot_eduexe]

[eduexe-intent]student_progress[/eduexe-intent]
W "Karcie Oceny" (czyli w sekcjach "Podsumowanie aktywności" [eduexe-source]31:1[/eduexe-source][eduexe-source]38:1[/eduexe-source]) punkty są przyznawane wyłącznie za test początkowy, testy cząstkowe oraz test końcowy. Główne komponenty kursu, które możesz nazywać "wykładami" lub "wykładami asynchronicznymi UM", nie są indywidualnie punktowane. Ich ukończenie wpływa na postęp w kursie, ale nie przekłada się na konkretne punkty widoczne w karcie ocen.