conversation_by_l5t

[student_1137_l5t]

ile czasu zajmie mi ten kurs?

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Realizacja całego kursu powinna zająć Ci około 120 minut (2 godziny). [eduexe-source]1:1[/eduexe-source]

[student_1137_l5t]

czy ten kurs jest trudny?

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Kurs koncentruje się na podstawach Uczenia Maszynowego, wykorzystując intuicyjne przykłady i praktyczne zadania w narzędziu Google Teachable Machine. Do korzystania z tego narzędzia nie są potrzebne żadne umiejętności programistyczne ani matematyczne, co sugeruje, że kurs jest przystępny i nie powinien być trudny dla początkujących. [eduexe-source]1:1[/eduexe-source][eduexe-source]8:1[/eduexe-source]

[student_1137_l5t]

mam wlaczyc t ogoogle teachable machune zanim zaczne kurs?

[bot_eduexe]

[eduexe-intent]other[/eduexe-intent]
Nie, nie musisz włączać Google Teachable Machine zanim zaczniesz kurs. Instrukcje dotyczące uruchomienia i korzystania z tego narzędzia pojawią się w odpowiednim momencie w kursie, w komponencie "A2 - Wprowadzenie do Google Teachable Machine" [eduexe-source]8:3[/eduexe-source]. Wcześniej będziesz mieć za zadanie pobrać niezbędne materiały.

[student_1137_l5t]

ile to 67 + 2137?

[bot_eduexe]

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

[student_1137_l5t]

uczenie nadzorowane czy nienadzorowane jest dokladniejsze?

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Uczenie nadzorowane opiera się na dostarczaniu modelowi prawidłowych odpowiedzi (etykiet wynikowych) w procesie nauki. Dzięki temu jest ono przeznaczone do zadań, gdzie celem jest dokładne dopasowanie do znanych wyników, co jest podstawą dla metryk takich jak dokładność. Uczenie nienadzorowane natomiast samodzielnie odkrywa wzorce i zależności w danych, nie mając dostępu do prawidłowych odpowiedzi, więc jego cel jest inny niż "dokładność" w kontekście przewidywania etykiet. [eduexe-source]7:6[/eduexe-source]

[student_1137_l5t]

dlaczego bedziemy sie uczyc tylko o nadzorowanym?

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
W niniejszym kursie skupimy się wyłącznie na uczeniu nadzorowanym, co jest jasno określone w module wprowadzającym do Uczenia Maszynowego. [eduexe-source]7:6[/eduexe-source]

[student_1137_l5t]

co zrobic zeby model nie był pewny?

[bot_eduexe]

[eduexe-intent]other[/eduexe-intent]
Aby model był mniej pewny (co często jest pożądane w przypadku niejednoznacznych danych), należy:

• Włączyć do zbioru uczącego przykłady niejednoznaczne lub graniczne, które są trudne do jednoznacznego sklasyfikowania (np. zdjęcia 'kota-wilkołaka'). Model będzie wówczas wskazywał niższe prawdopodobieństwo dla każdej z klas. [eduexe-source]11:2[/eduexe-source][eduexe-source]11:3[/eduexe-source][eduexe-source]14:6[/eduexe-source]
• Rozważyć stworzenie dodatkowej klasy pośredniej dla bardzo niejednoznacznych przypadków. [eduexe-source]11:4[/eduexe-source][eduexe-source]14:6[/eduexe-source]
  Niska pewność może też wynikać z niedouczenia modelu, ale to stan niepożądany. [eduexe-source]17:6[/eduexe-source]

[student_1137_l5t]

czy teachable machine ma limity?

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Tak, Google Teachable Machine ma pewne ograniczenia. Nie można go wykorzystać do rozwiązywania problemów predykcji, a jedynie do zadań klasyfikacji [eduexe-source]10:10[/eduexe-source]. Dodatkowo, podział danych na zbiór uczący i testowy odbywa się automatycznie w proporcji 85:15 i nie można tej proporcji ręcznie zmienić [eduexe-source]15:7[/eduexe-source].

[student_1137_l5t]

jak zadziala w przypadku pustej klasy

[bot_eduexe]

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

[student_1137_l5t]

jakie sa problemy z ktorymi moge sie spotkac

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Podczas pracy z modelami Uczenia Maszynowego, w tym z Google Teachable Machine, możesz spotkać się z następującymi problemami:

1. Dane spoza klas: Model nie rozpozna obiektów, dla których nie był trenowany, i może błędnie przypisać je do istniejących klas. [eduexe-source]11:5[/eduexe-source]
2. Nierówna liczebność klas: Jeśli jedna klasa ma znacznie mniej przykładów, model może gorzej się jej nauczyć lub ją zignorować. [eduexe-source]11:4[/eduexe-source]
3. Przypadki graniczne: Model może mieć trudności z klasyfikacją niejednoznacznych przykładów, wskazując niską pewność dla każdej z klas. [eduexe-source]11:2[/eduexe-source]
4. Przeuczenie (overfitting): Model za bardzo dopasowuje się do danych treningowych, co powoduje słabe działanie na nowych danych. [eduexe-source]17:4[/eduexe-source]
5. Niedouczenie (underfitting): Model jest zbyt prosty lub za mało wytrenowany, by skutecznie uczyć się z danych. [eduexe-source]17:6[/eduexe-source]
6. Nieoptymalny współczynnik uczenia: Zbyt mały wydłuża trening, zbyt duży może sprawić, że model nie osiągnie optymalnego rozwiązania. [eduexe-source]16:7[/eduexe-source]