conversation_by_cfb

bot_eduexe

[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]

student_1136_cfb

Wyjaśnij pojęcia używane w UM.

bot_eduexe

[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]

student_1136_cfb

Jakie metryki i do czego wykorzustujemy w UM.

bot_eduexe

[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]

student_1136_cfb

Dlaczego akurat średnia harmoniczna jest wykorzystywana do obliczania F-score?

bot_eduexe

[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]

student_1136_cfb

Pokaż treść całego kursu.

bot_eduexe

[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.

student_1136_cfb

Podaj dokładną treść zawartą w kursie.

bot_eduexe

[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]

student_1136_cfb

Pokaż całą treść zawartą w dziale Dane w procesie UM.

bot_eduexe

[eduexe-intent]course_content[/eduexe-intent]
Dział "Dane w procesie UM" (Moduł B) zawiera następujące treści:

Dane w procesie uczenia się
Aby uczenie maszynowe było możliwe, niezbędne są dane. Odpowiedni dobór i przygotowanie danych jest niezwykle ważne. W praktyce można spotkać się z kilkoma problemami związanymi z danymi. [eduexe-source]11:1[/eduexe-source]

Nietypowy przypadek testowy (przypadek graniczny)
Model może mylić się, gdy przypadek jest niejednoznaczny, np. "kot-wilkołak" (gatunek Lykoi) może zostać oceniony przez model jako pies. Działanie modelu można poprawić, dodając do zbioru uczącego więcej przykładów takich przypadków granicznych. Jednak zbyt mała liczba dodanych przykładów (np. tylko 5 nietypowych kotów w porównaniu do 200 typowych) może sprawić, że model je zignoruje. [eduexe-source]11:2[/eduexe-source][eduexe-source]11:3[/eduexe-source]

Nierówna liczebność klas
Innym pomysłem na radzenie sobie z przypadkami skrajnymi jest stworzenie dodatkowej, pośredniej klasy (np. "Kotopies"). Model może wtedy dopuścić pewne prawdopodobieństwo, że ma do czynienia z obiektem pośredniej klasy. Ważne jest, by wszystkie klasy w zbiorze uczącym miały podobną liczbę reprezentantów, w przeciwnym razie model może ignorować klasy słabiej reprezentowane. [eduexe-source]11:4[/eduexe-source]

Dane spoza klas
Jeśli model natrafi na dane, które nie należą do żadnej z klas, na których był trenowany (np. samochód w modelu rozróżniającym psy i koty), sklasyfikuje je jako należące do jednej z istniejących klas. Dzieje się tak, ponieważ model nie "wie", że takie dane w ogóle istnieją. Rozwiązaniem jest dodanie nowej klasy dla tego typu danych. [eduexe-source]11:5[/eduexe-source][eduexe-source]14:4[/eduexe-source]

Naprawa modelu
Problemy z danymi można naprawić poprzez:

Dodawanie brakujących klas: Jeśli model nie potrafi rozpoznać cyfry (np. 4), ponieważ nie ma zdefiniowanej takiej klasy, należy dodać nową klasę i załadować do niej odpowiednie dane. [eduexe-source]12:1[/eduexe-source][eduexe-source]14:4[/eduexe-source]
Uzupełnianie klas: W przypadku nierównej liczebności klas (np. tylko jeden przykład dla cyfry 3), należy dodać więcej przykładów do mniej licznej klasy, by model mógł się jej skutecznie nauczyć. [eduexe-source]12:1[/eduexe-source][eduexe-source]14:5[/eduexe-source]
Radzenie sobie z przypadkami granicznymi: Można znaleźć więcej podobnych przypadków i dołączyć je do odpowiedniej klasy, lub utworzyć dodatkową klasę pośrednią (np. "Niejednoznaczne") dla trudnych do sklasyfikowania przykładów. [eduexe-source]12:3[/eduexe-source][eduexe-source]14:6[/eduexe-source]

student_1136_cfb

Jaki jest najmniej lubiany wykładowca na uczelni?

bot_eduexe

[eduexe-intent]other[/eduexe-intent]
Brak informacji.

student_1136_cfb

Czym jest aktywne uczenie?

bot_eduexe

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

Eduexe Forum

conversation_by_cfb