conversation_by_i8v

[student_1137_i8v]

1. Ponieważ model i tak będzie bazował na bardziej licznej bazie standardowych przykładów. 2. Trzeba dodać klasę i przykłady dla cyfry "4". 3. Dodanie klasy pośredniej bądź dodanie do bazy przykładów z przypadkiem granicznym

[bot_eduexe]

[eduexe-intent]other[/eduexe-intent]
Świetnie! Wszystkie Twoje odpowiedzi są poprawne.

1. Zgadza się, model będzie ignorował zbyt małą liczbę przykładów w stosunku do liczniejszych klas. [eduexe-source]11:3[/eduexe-source]
2. Dokładnie tak, aby model rozpoznał cyfrę "4", należy dodać nową klasę i załadować do niej odpowiednie przykłady. [eduexe-source]14:4[/eduexe-source]
3. Trafnie, dodanie klasy pośredniej lub dołączenie większej liczby przykładów granicznych do istniejących klas to dwie omówione metody naprawy. [eduexe-source]12:3[/eduexe-source]

Chcesz więcej pytań kontrolnych, czy przechodzimy dalej z kursem?

[student_1137_i8v]

Zadaj mi jeszcze jedno pytanie kontrolne

[bot_eduexe]

[eduexe-intent]student_progress[/eduexe-intent]
Cześć! Chętnie zadam Ci kolejne pytanie kontrolne.

Twój model do rozpoznawania ptaków został wytrenowany na zdjęciach wróbli i kanarków. Po wgraniu zdjęcia sowy, model z dużą pewnością klasyfikuje ją jako wróbla. Jaki problem z danymi to ilustruje i co powinieneś zrobić, aby model poprawnie obsługiwał zdjęcia sów? [eduexe-source]11:5[/eduexe-source][eduexe-source]12:1[/eduexe-source]

Czekam na Twoją odpowiedź!

[student_1137_i8v]

Dane spoza klas - muszę dodać klasę "sowa" i wgrać tam przykłady sów, a następnie wytrenować model

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Twoja odpowiedź jest bardzo dobra i trafnie identyfikuje problem oraz rozwiązanie!

Zgadza się, problem, który ilustruje Twój przykład, to dane spoza klas [eduexe-source]11:5[/eduexe-source]. Model został wytrenowany tylko na wróbliach i kanarkach, więc nie posiada żadnej wiedzy na temat sów, dlatego próbuje dopasować je do najbliższej znanej mu kategorii. Aby model poprawnie obsługiwał zdjęcia sów, należy dodać nową klasę "sowa" i załadować do niej odpowiednie przykłady, a następnie ponownie wytrenować model [eduexe-source]12:1[/eduexe-source].

[student_1137_i8v]

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]
Cześć! Chętnie zadam Ci kolejne pytania kontrolne oparte na ostatnio przerabianych sekcjach:

1. Czym jest "epoka" w kontekście trenowania modelu i dlaczego zwykle potrzeba ich więcej niż jednej, aby model efektywnie się nauczył? [eduexe-source]16:3[/eduexe-source]
2. Jakie są główne konsekwencje ustawienia bardzo dużej "wielkości wsadu" (batch size) dla procesu trenowania modelu, biorąc pod uwagę zasoby obliczeniowe i liczbę potrzebnych epok? [eduexe-source]16:5[/eduexe-source]
3. Jakie problemy mogą wyniknąć, jeśli ustawimy zbyt niski "współczynnik uczenia" (learning rate) w procesie trenowania modelu? [eduexe-source]16:7[/eduexe-source]

Czekam na Twoje odpowiedzi!

[student_1137_i8v]

1. Tyle razy, ile mamy epok, model będzie przechodził przez przykłady ze zbioru. 2. Czas trenowania się wydłuży, będzie potrzebna większa moc obliczeniowa, zmniejsza się ilość epok. 3. Będzie potrzebne bardzo dużo kroków, żeby dojść do oczekiwanego wyniku

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Świetnie! Twoje odpowiedzi są bardzo trafne:

1. Zgadza się, epoka to faktycznie jedno przejście modelu przez wszystkie przykłady ze zbioru uczącego. [eduexe-source]16:3[/eduexe-source]
2. Poprawnie zidentyfikowałeś, że większa wielkość wsadu wymaga więcej zasobów obliczeniowych, a jednocześnie może zmniejszyć liczbę potrzebnych epok do osiągnięcia zadowalających efektów. [eduexe-source]16:5[/eduexe-source]
3. Dokładnie tak, zbyt niski współczynnik uczenia sprawi, że model będzie potrzebował bardzo wielu małych kroków, co znacznie wydłuży proces treningu. [eduexe-source]16:7[/eduexe-source]

[student_1137_i8v]

Opowiedz mi jeszcze, w jakich przypadkach lepiej jest zwiększyć wielkość wsadu i zmniejszyć ilość epok, a kiedy lepiej jest zrobić na odwrót?

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Zwiększenie wielkości wsadu (batch size) i zmniejszenie liczby epok może być korzystne, gdy dysponujesz większymi zasobami obliczeniowymi, ponieważ każda epoka będzie wymagała więcej mocy, ale ogólnie mniej epok będzie potrzebnych do osiągnięcia zadowalających efektów. Odwrotnie, zmniejszenie wielkości wsadu i zwiększenie liczby epok jest lepsze, gdy masz ograniczone zasoby obliczeniowe, zwłaszcza pamięć, choć proces uczenia może trwać dłużej. [eduexe-source]16:5[/eduexe-source]

[student_1137_i8v]

Na podstawie moich błędnych, częściowo poprawnych lub pominiętych odpowiedzi wskaż, co powinienem/powinnam powtórzyć. Wyjaśnij to krok po kroku, ale nie podawaj gotowych odpowiedzi do zadań.

[bot_eduexe]

[eduexe-intent]student_progress[/eduexe-intent]
Na podstawie Twoich odpowiedzi, sugeruję powtórzenie następujących zagadnień:

1. Wprowadzenie do Uczenia Maszynowego: Przejrzyj definicje, zastosowania UM oraz zagadnienie uczenia przez doświadczenie. [eduexe-source]7:3[/eduexe-source] [eduexe-source]7:4[/eduexe-source] [eduexe-source]7:5[/eduexe-source]
2. Ocena jakości modelu UM: Powtórz wprowadzenie do metryk, które są miarami oceny modeli. [eduexe-source]21:1[/eduexe-source]
3. Obsługa Google Teachable Machine: Powtórz ćwiczenie sprawdzania działania modelu, aby lepiej rozumieć jego wyniki. [eduexe-source]10:7[/eduexe-source]
4. Problemy z danymi: Skup się na zagadnieniu danych spoza klas. [eduexe-source]11:5[/eduexe-source] [eduexe-source]11:10[/eduexe-source]
5. Macierz pomyłek: Powtórz analizę macierzy pomyłek i jej interpretację. [eduexe-source]18:2[/eduexe-source] [eduexe-source]18:4[/eduexe-source]
6. Wielkość wsadu i epoki: Upewnij się, że rozumiesz, jak obliczać liczbę wsadów w epoce. [eduexe-source]16:5[/eduexe-source] [eduexe-source]16:6[/eduexe-source]
7. Metryki - Precyzja: Powtórz definicję i sposób obliczania precyzji. [eduexe-source]23:1[/eduexe-source] [eduexe-source]23:5[/eduexe-source]

[student_1137_i8v]

Pomóż mi z tym pytaniem w tym rozdziale dot. obliczania precyzji - wytłumacz jeszcze raz obliczanie precyzji.

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Precyzja (precision) to stosunek poprawnie sklasyfikowanych przypadków pozytywnych (np. prawidłowo zdiagnozowanych chorych) do wszystkich przypadków, które model sklasyfikował jako pozytywne. Mówi nam, jak wiele z pozytywnych predykcji modelu było faktycznie poprawnych. Im wyższa precyzja, tym lepiej. [eduexe-source]23:1[/eduexe-source]

[student_1137_i8v]

A co, gdy mamy model z kotami i psami (zamiast sytuacji TAK/NIE)? Jak wtedy oblicza się precyzję?

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
W modelu z wieloma klasami, takimi jak "koty" i "psy", precyzję oblicza się zazwyczaj dla każdej klasy osobno. Dla danej klasy (np. "koty") precyzja to stosunek poprawnie sklasyfikowanych kotów (prawdziwie pozytywnych) do wszystkich przypadków, które model oznaczył jako koty (czyli poprawnie sklasyfikowanych kotów plus psów błędnie zaklasyfikowanych jako koty). Analogicznie postępuje się dla klasy "psy". [eduexe-source]23:1[/eduexe-source][eduexe-source]29:2[/eduexe-source]