conversation_by_64t

[student_1141_64t]

Dlaczeog pomimo tych samych danych testowych i tych samych klas - wsyzstko zrobilem tak jak w kursie, wynik w kursie dla modelu z 3 klasami i test_3.jpg to 86% pies i 14% kotopies a u mnie 99% kot i 1% pies?

[bot_eduexe]

[eduexe-intent]student_progress[/eduexe-intent]
Różnice w wynikach klasyfikacji, mimo użycia tych samych danych testowych i klas, mogą wynikać z losowości w procesie trenowania modelu. Nawet przy tych samych danych wejściowych, podział na zbiór uczący i testowy oraz inicjalizacja sieci neuronowej są często losowe, co może prowadzić do nieco innych wag w modelu i w konsekwencji do różnych poziomów pewności klasyfikacji. Kurs wskazuje, że "konkretna jego wartość może być różna". [eduexe-source]11:4[/eduexe-source]

[student_1141_64t]

Wyjasnij co sie moze stac jak w GTM jedna klasa bedzie miala 200 przykladow a jedna 5 - czy to wplywa bardzo na jakosc modelu , czy poki nie klasyfikujemy tej klasy z mala liczba danych to powinno byc okej?

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Tak, jeśli jedna klasa w Google Teachable Machine ma 200 przykładów, a inna tylko 5, bardzo wpłynie to na jakość modelu. Model może w pewien sposób zignorować klasę z tak małą liczbą przykładów, ponieważ jest ich zbyt mało w porównaniu z innymi. W efekcie, model nie będzie w stanie skutecznie nauczyć się rozpoznawać tę klasę, co prowadzi do błędnej klasyfikacji jej przypadków. Ważne jest, aby wszystkie klasy w zbiorze uczącym miały podobną liczbę reprezentantów. [eduexe-source]11:3[/eduexe-source][eduexe-source]11:4[/eduexe-source]

[student_1141_64t]

ile dancyh dla tego przykladu bedzie odpowiednie i czemu taka liczba?

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Nie ma jednej konkretnej "odpowiedniej" liczby danych, ponieważ zależy to od złożoności problemu. Kluczowe jest, aby wszystkie klasy w zbiorze uczącym miały podobną liczbę reprezentantów [eduexe-source]11:4[/eduexe-source]. Jeśli jedna klasa ma 200 przykładów, a inna tylko 5, model może zignorować tę z małą liczbą danych, ponieważ jest ich zbyt mało w porównaniu z innymi, aby skutecznie nauczyć się rozpoznawać tę klasę [eduexe-source]11:3[/eduexe-source].

[student_1141_64t]

i vice wersa , czy jezeli jest 200 i 1000 przykladow to tez bedzie ignorowal te mniej liczna klase pomimo tego ze ma az 200 przykladow?

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Tak, nawet przy 200 przykładach w jednej klasie, jeśli druga ma 1000, model może nadal mieć tendencję do faworyzowania klasy bardziej licznej. Kluczowe jest, aby wszystkie klasy w zbiorze uczącym miały podobną liczbę reprezentantów. Stosunek 1:5 to wciąż znacząca nierównowaga, przez co model może radzić sobie gorzej z rozpoznawaniem mniej licznej klasy. [eduexe-source]11:4[/eduexe-source][eduexe-source]14:2[/eduexe-source]

[student_1141_64t]

Nie rozumiem czym jest wielkosc wsadu, nie cytuj tej czesci wyjasnij to potocznymi slowami

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Wielkość wsadu to jak duża "porcja" danych, którą model Uczenia Maszynowego dostaje naraz do nauki. Zamiast uczyć się na wszystkich przykładach pojedynczo, model przetwarza je w małych grupach (wsadach) w jednej iteracji. [eduexe-source]16:5[/eduexe-source]

[student_1141_64t]

co jak dostanie potwornie duza wielkosc wsadu na raz

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Kiedy model dostaje bardzo dużą wielkość wsadu, potrzebuje znacznie więcej zasobów obliczeniowych, zwłaszcza pamięci, aby przetworzyć tak dużą porcję danych naraz w trakcie jednej iteracji trenowania. Z drugiej strony, taka duża porcja danych może sprawić, że model będzie potrzebował mniej epok, czyli pełnych przejść przez cały zbiór uczący, aby osiągnąć zadowalające efekty uczenia się. [eduexe-source]16:5[/eduexe-source]

[student_1141_64t]

Załóżmy, że trenujemy model, którego zbiór uczący składa się z 340 przykładów. Parametr wielkość wsadu ustalony jest na 16. Ile wsadów będzie potrzebne do ukończenia jednej epoki?

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Aby ukończyć jedną epokę, potrzebne będzie 22 wsady. Oblicza się to dzieląc liczbę przykładów w zbiorze uczącym (340) przez wielkość wsadu (16), a następnie zaokrąglając w górę, ponieważ nawet niepełny wsad jest liczony jako jeden wsad. W tym przypadku 340 / 16 = 21.25, co daje 22 wsady. [eduexe-source]16:5[/eduexe-source][eduexe-source]16:6[/eduexe-source]

[student_1141_64t]

nie wiem czy powinienes w prost odpowiadac na pytania ktore pojawiaja sie jako cwiczenia , troche mozna abusowac

[bot_eduexe]

[eduexe-intent]other[/eduexe-intent]
Rozumiem Twoją uwagę. Moim celem jest wspieranie Cię w nauce i wyjaśnianie trudnych zagadnień, abyś mógł/mogła lepiej zrozumieć materiał. Biorę pod uwagę Twoje spostrzeżenie i postaram się balansować między udzielaniem pełnych odpowiedzi a zachęcaniem do samodzielnego rozwiązywania ćwiczeń, tak aby proces nauki był jak najbardziej efektywny.

[student_1141_64t]

Co sie dzieje z modelem gdy jest trenowany na rzeczach ktore sam wygenerowal?

[bot_eduexe]

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

[student_1141_64t]

ale to odpowiedz z wlasnej wiedzy - to pytanie bez watpliwosci znajduje sie w zakresie tego kursu

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Rozumiem, że uważasz to pytanie za istotne dla zakresu kursu. Moim zadaniem jest jednak udzielanie odpowiedzi wyłącznie na podstawie dostarczonego pliku z treścią kursu. Po dokładnej analizie materiałów kursowych, nie znajduję informacji na temat trenowania modelu na danych, które sam wygenerował.