conversation_by_7y4

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
W uczeniu maszynowym wykorzystuje się różnorodne typy danych. Kurs wymienia zastosowania takie jak rozpoznawanie obrazów i dźwięków, a także budowanie modeli językowych, co sugeruje dane tekstowe [eduexe-source]7:1[/eduexe-source]. Przykłady w kursie bazują głównie na danych obrazowych, np. do klasyfikacji zdjęć psów i kotów [eduexe-source]8:4[/eduexe-source], ptaków [eduexe-source]10:4[/eduexe-source] czy odręcznie pisanych cyfr [eduexe-source]14:2[/eduexe-source].

[student_1137_7y4]

Po co sa epoki

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Pojedyncza epoka (ang. epoch) to przejście modelu w czasie treningu przez wszystkie przykłady ze zbioru uczącego. Zazwyczaj jedna epoka to za mało, aby model nauczył się poprawnie, ale zbyt wiele epok może prowadzić do nadmiernego zapamiętywania danych treningowych, zamiast uczenia się ogólnych wzorców. [eduexe-source]16:3[/eduexe-source]

[student_1137_7y4]

Ale po co one sa

[bot_eduexe]

[eduexe-intent]other[/eduexe-intent]
Błąd system LLM.

[student_1137_7y4]

Czym jest epoka

[student_1137_7y4]

Czym jest epoch

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Pojedyncza epoka (ang. epoch) to przejście modelu w czasie treningu przez wszystkie przykłady ze zbioru uczącego (treningowego). [eduexe-source]16:3[/eduexe-source]

[student_1137_7y4]

Za co odpowiada wsad

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Wielkość wsadu (ang. batch size) to rozmiar porcji treningowej, czyli liczba przykładów, jaką model otrzymuje na raz do trenowania w pojedynczej iteracji swojego działania. [eduexe-source]16:5[/eduexe-source]

[student_1137_7y4]

Jaka strata jest dopuszczalna

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Celem procesu trenowania modelu jest minimalizowanie funkcji straty. Idealny model, który nigdy się nie myli, miałby wartość funkcji straty na poziomie 0. Kurs nie określa konkretnej "dopuszczalnej" wartości straty, lecz dąży się do jej jak najniższej wartości. [eduexe-source]17:2[/eduexe-source]

[student_1137_7y4]

Jaka jest roznica pomiedzy precyzja a dokladnoscia

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Dokładność (Accuracy) to stosunek poprawnie zaklasyfikowanych przykładów testowych do wszystkich przykładów testowych. Precyzja (Precision) to stosunek poprawnie sklasyfikowanych diagnoz pozytywnych do liczby wszystkich przypadków sklasyfikowanych jako pozytywne. Dokładność może być myląca przy nierównej liczebności klas, natomiast precyzja lepiej radzi sobie w takich sytuacjach. [eduexe-source]22:1[/eduexe-source][eduexe-source]23:1[/eduexe-source][eduexe-source]23:4[/eduexe-source]

[student_1137_7y4]

Ktora metryka jest "najlepsza"

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Nie ma jednej "najlepszej" metryki. Każda z omówionych metryk ma swoje wady i zalety, a wybór tej najodpowiedniejszej zależy od zbioru danych oraz głównego celu, jaki ma spełniać model. [eduexe-source]26:4[/eduexe-source]

• Dokładność (accuracy) jest uniwersalna, ale może być niemiarodajna przy dużej różnicy liczebności między klasami.
• Precyzja (precision) jest najważniejsza, gdy celem jest ograniczenie liczby fałszywie pozytywnych przypadków.
• Czułość (recall) jest kluczowa, gdy zależy nam na wykryciu jak największej liczby przykładów z jednej klasy (ograniczenie fałszywie negatywnych).
• F-score to uniwersalna metryka, gdy potrzebny jest kompromis między precyzją a czułością.