conversation_by_cfb
-
Wyjaśnij mi najważniejsze pojęcia z aktualnej części kursu prostym językiem. Odwołuj się do materiałów kursu.
-
Wyjaśnij mi najważniejsze pojęcia z aktualnej części kursu prostym językiem. Odwołuj się do materiałów kursu.
[eduexe-intent]course_content[/eduexe-intent]
Uczenie Maszynowe (UM) to obszar Sztucznej Inteligencji, gdzie algorytmy uczą się z danych, by podejmować decyzje bez bycia wprost zaprogramowanym [eduexe-source]7:1[/eduexe-source]. Dzieli się na uczenie nadzorowane (z etykietami), nienadzorowane (szukanie wzorców) i przez wzmacnianie (interakcja ze środowiskiem) [eduexe-source]7:6[/eduexe-source]. Główne problemy to klasyfikacja (przypisywanie do kategorii) i predykcja (przewidywanie wartości) [eduexe-source]7:8[/eduexe-source]. -
Jak działa uczenie nadzorowane?
-
Jak działa uczenie nadzorowane?
[eduexe-intent]course_content[/eduexe-intent]
Uczenie nadzorowane polega na tym, że model uczy się na danych, do których dostarczane są również prawidłowe odpowiedzi, czyli tak zwane etykiety wynikowe. Dzięki temu model buduje matematyczny model, który potrafi podejmować decyzje lub prognozować rezultaty. Przykładem może być nauka rozróżniania zdjęć psów i kotów na podstawie dostarczonych zdjęć, które są już odpowiednio podpisane. [eduexe-source]7:6[/eduexe-source] W ramach uczenia nadzorowanego model może rozwiązywać problemy klasyfikacji (przypisywania do kategorii) lub predykcji (przewidywania wartości). [eduexe-source]7:8[/eduexe-source] -
Czym jest google teachable machine i do czego jest wykorzystywane?
-
Czym jest google teachable machine i do czego jest wykorzystywane?
[eduexe-intent]course_content[/eduexe-intent]
Google Teachable Machine (GTM) to przeglądarkowe narzędzie udostępnione przez Google, które pozwala na tworzenie modeli Uczenia Maszynowego. Nie wymaga ono umiejętności programistycznych ani matematycznych. Będziemy z niego korzystać przez cały kurs. [eduexe-source]8:1[/eduexe-source] -
Jak przygotowywane są dane wykorzystywane w UM
-
Jak przygotowywane są dane wykorzystywane w UM
[eduexe-intent]course_content[/eduexe-intent]
Odpowiedni dobór i przygotowanie danych są niezwykle ważne w Uczeniu Maszynowym. Dane przygotowuje się poprzez:- Dodawanie brakujących danych - np. tworząc nowe klasy dla nieokreślonych wcześniej typów danych.
- Uzupełnianie klas - np. dodając więcej przykładów do klas, które są słabiej reprezentowane, co pomaga w problemach z nierówną liczebnością klas.
- Radzenie sobie z przypadkami granicznymi - poprzez dostarczanie większej liczby podobnych przykładów do odpowiednich klas lub tworzenie dodatkowych klas pośrednich.
[eduexe-source]11:1[/eduexe-source][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]
-
Jaki rozwiązywany jest problem danych spoza klas
-
Jaki rozwiązywany jest problem danych spoza klas
[eduexe-intent]course_content[/eduexe-intent]
Problem danych spoza klas rozwiązuje się poprzez dodanie nowej klasy dla typów danych, których model wcześniej nie znał, a następnie załadowanie do niej odpowiednich przykładów i ponowne wytrenowanie modelu. Dzięki temu model będzie w stanie rozpoznać i poprawnie sklasyfikować te nowe dane.
[eduexe-source]11:5[/eduexe-source][eduexe-source]14:4[/eduexe-source] -
Wyjaśnij pojęcia używane w UM.
-
Wyjaśnij pojęcia używane w UM.
[eduexe-intent]course_content[/eduexe-intent]
W uczeniu maszynowym (UM) stosuje się wiele pojęć. Do najważniejszych należą:- Zbiór uczący (treningowy): Dane, na których model się uczy, znając poprawne odpowiedzi.
- Zbiór testowy: Dane do testowania modelu, z którymi nie miał styczności podczas uczenia.
- Epoka: Jedno przejście modelu przez cały zbiór uczący.
- Wsad: Porcja przykładów przetwarzana jednocześnie przez model.
- Współczynnik uczenia się: Wielkość kroku, o jaki model koryguje wyniki w kierunku oczekiwanych.
- Funkcja straty: Mierzy, jak dobrze model działa; dąży się do jej minimalizacji.
- Przeuczenie: Model zbyt dobrze dopasowuje się do danych uczących, tracąc skuteczność na nowych danych.
- Niedouczenie: Model jest zbyt prosty lub za mało wytrenowany, by wykryć wzorce.
- Macierz pomyłek: Tabela z wynikami klasyfikacji (poprawne/błędne) na zbiorze testowym.
[eduexe-source]20:1[/eduexe-source]
-
Jakie metryki i do czego wykorzustujemy w UM.
-
Jakie metryki i do czego wykorzustujemy w UM.
[eduexe-intent]other[/eduexe-intent]
Metryki w Uczeniu Maszynowym to miary oceny jakości wytrenowanych modeli. Służą do porównywania różnych modeli między sobą, gdzie wyższa wartość metryki zazwyczaj oznacza lepszy model. Podstawą do ich obliczania jest macierz pomyłek. [eduexe-source]21:1[/eduexe-source][eduexe-source]21:2[/eduexe-source]W kursie omówione są następujące metryki:
- Dokładność (Accuracy): Stosunek poprawnie zaklasyfikowanych przykładów do wszystkich przykładów testowych. [eduexe-source]22:1[/eduexe-source]
- Precyzja (Precision): Stosunek poprawnie sklasyfikowanych przypadków pozytywnych do wszystkich przypadków sklasyfikowanych jako pozytywne. [eduexe-source]23:1[/eduexe-source]
- Czułość (Recall): Stosunek poprawnie sklasyfikowanych przypadków pozytywnych do wszystkich rzeczywistych przypadków pozytywnych. [eduexe-source]24:1[/eduexe-source]
- F-score: Średnia harmoniczna precyzji i czułości, będąca kompromisem między nimi. [eduexe-source]25:2[/eduexe-source]
Wybór odpowiedniej metryki zależy od celu modelu i charakterystyki danych. [eduexe-source]26:4[/eduexe-source]
-
Dlaczego akurat średnia harmoniczna jest wykorzystywana do obliczania F-score?
-
Dlaczego akurat średnia harmoniczna jest wykorzystywana do obliczania F-score?
[eduexe-intent]course_content[/eduexe-intent]
F-score obliczany jest jako średnia harmoniczna precyzji (precision) i czułości (recall). Stanowi on kompromis pomiędzy tymi dwoma metrykami. Kurs nie wyjaśnia szczegółowo, dlaczego akurat średnia harmoniczna jest wykorzystywana, poza stwierdzeniem, że "brzmi to może trochę strasznie". [eduexe-source]25:2[/eduexe-source][eduexe-source]25:3[/eduexe-source] -
Pokaż treść całego kursu.
-
Pokaż treść całego kursu.
[eduexe-intent]course_content[/eduexe-intent]
Kurs składa się z czterech głównych modułów tematycznych:- Moduł A: Wprowadzenie do Uczenia Maszynowego – obejmuje definicję, podział i zastosowania UM.
- Moduł B: Dane w Uczeniu Maszynowym – omawia problemy z danymi i sposoby ich rozwiązywania.
- Moduł C: Podstawowe pojęcia Uczenia Maszynowego – wyjaśnia takie pojęcia jak zbiór uczący, zbiór testowy, epoka, wsad, współczynnik uczenia, funkcja straty, przeuczenie, niedouczenie, macierz pomyłek.
- Moduł D: Metryki – przedstawia dokładność, precyzję, czułość, F-score oraz porównywanie modeli.
Kurs zawiera również testy podsumowujące po każdym module oraz test końcowy. [eduexe-source]1:1[/eduexe-source]
Jeśli chcesz, mogę podać bardziej szczegółowy spis treści dla konkretnego modułu. -
Podaj dokładną treść zawartą w kursie.
-
Podaj dokładną treść zawartą w kursie.
[eduexe-intent]course_content[/eduexe-intent]
Dokładna treść kursu, zgodna ze spisem treści, obejmuje następujące sekcje:Wprowadzenie do Uczenia Maszynowego (Moduł A):
- Wprowadzenie do UM
- Google Teachable Machine
- Test cząstkowy - wprowadzenie do UM
- Wprowadzenie do UM - dodatkowy przykład
Dane w procesie UM (Moduł B):
- Nietypowy przypadek testowy
- Nierówna liczebność klas
- Dane spoza klas
- Dane w UM - naprawa modelu
- Test cząstkowy - dane w procesie UM
- Dane w procesie UM - dodatkowy przykład
Podstawowe pojęcia UM (Moduł C):
- Zbiór uczący i zbiór testowy
- Epoka, wsad i współczynnik uczenia się
- Strata, przeuczenie, niedouczenie
- Macierz pomyłek
- Test cząstkowy - podstawowe pojęcia UM
- Podstawowe pojęcia UM - powtórzenie
Metryki (Moduł D):
- Dokładność (accuracy)
- Precyzja (precision)
- Czułość (recall)
- F-score
- Porównywanie modeli
- Test cząstkowy - Metryki
- Metryki - powtórka
- Porównywanie modeli - omówienie ćwiczenia
Pozostałe elementy kursu:
- Materiały do kursu
- Kwestionariusz początkowy
- Podsumowanie i Zadanie Końcowe
- Bibliografia
- O kursie
[eduexe-source]3:1[/eduexe-source]