conversation_by_64t

[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.

[student_1141_64t]

jak wyglada macierz pomylek dla ogromnych modelow naprzyklad GPT?

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Macierz pomyłek (tablica pomyłek) pokazuje, ile przykładów testowych z poszczególnych klas model sklasyfikował poprawnie, a ile błędnie. Jej rozmiar zależy od liczby klas, które model rozróżnia. Na przykład, dla trzech klas macierz pomyłek ma rozmiar 3x3. Dla modeli z bardzo dużą liczbą klas, macierz byłaby proporcjonalnie większa. [eduexe-source]18:2[/eduexe-source][eduexe-source]29:1[/eduexe-source]

[student_1141_64t]

skad wiesz na ktorym etapie kursu sie znajduje ?

[bot_eduexe]

[eduexe-intent]student_progress[/eduexe-intent]
Wiem, na którym etapie kursu się znajdujesz, ponieważ śledzę Twoje postępy. Obecnie jesteś w komponencie [eduexe-source]18:1[/eduexe-source] zatytułowanym "C4 - Podstawowe pojęcia UM - Macierz pomyłek".

[student_1141_64t]

thats creepy

[bot_eduexe]

[eduexe-intent]other[/eduexe-intent]
Rozumiem, że śledzenie postępów może wydawać się nieco niepokojące. Moja "wiedza" o Twoim położeniu w kursie wynika z danych o Twoich postępach, które są standardowo zbierane w systemach e-learningowych. Dzięki temu mogę oferować spersonalizowane wsparcie i odnosić się do materiału, który aktualnie przerabiasz.

[student_1141_64t]

czy za cos jeszcze moge tutaj zdobyc punkty?

[bot_eduexe]

[eduexe-intent]student_progress[/eduexe-intent]
Tak, możesz jeszcze zdobyć punkty. Pozostał Ci do rozwiązania test cząstkowy dla modułu D ("DT - Metryki - test") [eduexe-source]28:1[/eduexe-source], za który możesz otrzymać 5 punktów. Masz także możliwość przystąpienia do testu końcowego [eduexe-source]36:1[/eduexe-source], który jest wart 20 punktów. Pamiętaj, że za kurs zostanie Ci naliczony korzystniejszy wynik z sumy punktów za test początkowy i wszystkie testy cząstkowe LUB sumy punktów za test początkowy i test końcowy [eduexe-source]1:1[/eduexe-source].

[student_1141_64t]

wyjanij prosciej to co jest napisane na tej stornie

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Możesz jeszcze zdobyć punkty. Czeka na Ciebie test z modułu D ("DT - Metryki - test") za 5 punktów oraz test końcowy za 20 punktów. Twój ostateczny wynik z kursu będzie korzystniejszą opcją z dwóch: albo suma punktów z testu początkowego i wszystkich testów cząstkowych, albo suma punktów z testu początkowego i testu końcowego. [eduexe-source]1:1[/eduexe-source]

[student_1141_64t]

ale nie pytalem oto , prosilem o streszcenie D2

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
D2 dotyczy dokładności (Accuracy) jako podstawowej metryki oceny modelu w Uczeniu Maszynowym. Dokładność to stosunek poprawnie zaklasyfikowanych przykładów testowych do wszystkich przykładów testowych. Im wyższa wartość (od 0 do 1), tym lepiej. Kurs pokazuje, jak obliczyć dokładność na podstawie macierzy pomyłek w Google Teachable Machine. Podkreśla również, że dokładność nie zawsze jest dobrą miarą jakości modelu, zwłaszcza gdy klasy w zbiorze danych są bardzo niezbalansowane (np. jedna klasa ma znacznie mniej przykładów niż inna). [eduexe-source]22:1[/eduexe-source][eduexe-source]22:3[/eduexe-source][eduexe-source]22:6[/eduexe-source]

[student_1141_64t]

Aby dokładność (accuracy) dobrze opisywała model, liczebność poszczególnych klas powinna być podobna. Prawda czy falsz?

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Prawda. [eduexe-source]22:6[/eduexe-source] [eduexe-source]22:7[/eduexe-source]
Dokładność (accuracy) nie zawsze jest dobrą miarą jakości modelu, zwłaszcza gdy klasy w zbiorze danych są bardzo niezbalansowane. Jeśli liczebność klas jest podobna, dokładność lepiej odzwierciedla działanie modelu.