conversation_by_hfw

[eduexe.admin]

[student_hfw]

Czym w uczeniu maszynowym różni się predykcja od klasyfikacji?

[bot_external]

W uczeniu maszynowym, predykcja i klasyfikacja są dwoma różnymi problemami.

Klasyfikacja to problem identyfikacji, do której z zestawu kategorii (subpopulacji) należy nowa obserwacja, na podstawie zbioru danych treningowych zawierających obserwacje (lub instancje), których przynależność do kategorii jest znana. Przykładami są przypisanie danej wiadomości e-mail do klasy "spam" lub "nie-spam" oraz przypisanie diagnozy danemu pacjentowi na podstawie obserwowanych cech pacjenta (płeć, ciśnienie krwi, obecność lub brak pewnych objawów, itp.).

Predykcja nie jest bezpośrednio opisana w dostępnym kontekście.

[student_hfw]

Jakie proste pytania egzaminacyjne mogą się pojawić z tematu uczenie maszynowe?

[bot_external]

Na podstawie dostępnych informacji, proste pytania egzaminacyjne z tematu uczenie maszynowe mogą dotyczyć następujących tematów:

1. Definicje podstawowych pojęć:

• Zbiór uczący (treningowy)
• Zbiór testowy
• Epoka
• Wsad
• Współczynnik uczenia się
• Funkcja straty
• Przeuczenie
• Niedouczenie
• Macierz pomyłek

Przykładowe pytania:

• Co to jest zbiór uczący w uczeniu maszynowym?
• Jak definiuje się przeuczenie w uczeniu maszynowym?

2. Różnice między predykcją a klasyfikacją:

• Jak różnią się predykcja i klasyfikacja w uczeniu maszynowym?

Przykładowe pytanie:

• Czym w uczeniu maszynowym różni się predykcja od klasyfikacji?

3. Sposoby uogólniania standardowego problemu uczenia nadzorowanego:

• Jakie są sposoby uogólniania standardowego problemu uczenia nadzorowanego?

Przykładowe pytanie:

• Jakie są sposoby uogólniania standardowego problemu uczenia nadzorowanego?

4. Etyka uczenia maszynowego:

• Jak ważna jest etyka w uczeniu maszynowym?

Przykładowe pytanie:

• Dlaczego etyka jest ważna w uczeniu maszynowym?

Powyższe pytania są proste i dotyczą podstawowych pojęć związanych z uczeniem maszynowym.

[student_hfw]

Czy wybór przykładów do zbioru testowego i uczącego ma znaczenie, czy to tylko wymagany podział danych?

[bot_external]

Wybór przykładów do zbioru testowego i uczącego ma znaczenie. Zbiór testowy powinien być jakościowo reprezentatywny dla całości danych, co oznacza, że powinien zawierać podobne przykłady, co w zbiorze uczącym. Jeśli zbiór testowy nie będzie reprezentatywny, to nie będzie można ocenić, czy model poprawnie (lub błędnie) klasyfikuje nowe dane.

Przykładem może być sytuacja, w której zbiór testowy składa się tylko z dwóch przypadków (po jednym z każdej klasy), co nie pozwoliłoby na ocenę, czy model poprawnie (lub błędnie) je zaklasfikował.

[student_hfw]

Podsumowując, jakie są wzory na podstawowe metryki w uczeniu maszynowym?

[bot_external]

Wzory na podstawowe metryki w uczeniu maszynowym nie są omawiane w dostępnym kontekście. Jednak w jednym z poprzednich fragmentów tekstu, opisano, jak obliczyć dokładność modelu na przykładzie z Google Teachable Machine. Dokładność jest również podstawową metryką wykorzystywaną w Google Teachable Machine.

Dokładność modelu obliczana jest jako liczba poprawnie zaklasyfikowanych przypadków (psy ocenione jako psy + koty ocenione jako koty) podzielona przez liczbę wszystkich przykładów testowych.

[student_hfw]

Jak można porównać modele uczenia maszynowego?

[bot_external]

Porównanie modeli uczenia maszynowego można przeprowadzić za pomocą metryk. Metryki są miarami jakości modelu, które umożliwiają porównywanie modeli między sobą. W Google Teachable Machine, można obliczać dokładność (accuracy), precyzję (precision), czułość (recall) i F-score modelu. Im wyższa wartość metryki, tym lepszy model.

Aby porównać dwa modele, należy obliczyć te same metryki dla obu modeli i porównać ich wartości. W ten sposób można określić, który model jest lepszy.

[student_hfw]

Jakie są podstawowe pojęcia w uczeniu maszynowym?

[bot_external]

Podstawowe pojęcia w uczeniu maszynowym to:

1. Zbiór uczący (treningowy) - dane, dla których model zna poprawne odpowiedzi i na których jest trenowany.
2. Zbiór testowy - dane, z którymi model nie miał do czynienia w procesie uczenia się i nie zna dla nich poprawnych odpowiedzi, wykorzystywane do przetestowania, jak dobrze model jest wytrenowany.
3. Epoka - pojedyncze przejście modelu przez cały zbiór uczący w procesie trenowania.
4. Wsad - porcja przykładów, które model przetwarza jednocześnie.
5. Współczynnik uczenia się - parametr modelu, który określa, jak duże kroki w kierunku poprawnego rozwiązania po każdej nowej ekspozycji na dane model będzie wykonywał.
6. Funkcja straty - funkcja określająca stopień wytrenowania modelu, którą staramy się minimalizować.
7. Przeuczenie - stan, w którym model za bardzo dopasował się do konkretnego zbioru uczącego (można powiedzieć, że zapamiętał poprawne odpowiedzi) i w efekcie nie radzi sobie z poprawną klasyfikacją w zbiorze testowym.
8. Niedouczenie - stan, w którym model ze względu na przykład na zbyt małą wielkość zbioru uczącego lub zbyt krótki czas treningu nie dał rady wykryć prawidłowości w danych, na podstawie których byłby w stanie dokonywać prawidłowej klasyfikacji.
9. Macierz pomyłek - macierz przygotowywana dla zbioru testowego, z której odczytujemy, ile przykładów testowych z poszczególnych klas zostało sklasyfikowanych przez model poprawnie, a ile błędnie.

[student_hfw]

Gdzie w macierzy pomyłek znajdują się wartości false positive i false negative?

[bot_external]

W macierzy pomyłek wartości false positive i false negative znajdują się w następujących miejscach:

• False positive (FP) - w kolumnie "Prawdziwie pozytywny" (TP) nie ma wartości, ale w kolumnie "Fałszywie pozytywny" (FP) znajduje się liczba przykładów, które zostały sklasyfikowane jako pozytywne, ale w rzeczywistości są negatywnymi przykładami.
• False negative (FN) - w kolumnie "Prawdziwie negatywny" (TN) nie ma wartości, ale w kolumnie "Fałszywie negatywny" (FN) znajduje się liczba przykładów, które zostały sklasyfikowane jako negatywne, ale w rzeczywistości są pozytywnymi przykładami.

Przykładowo, jeśli macierz pomyłek wygląda tak:

	Prawdziwie pozytywny (TP)	Fałszywie pozytywny (FP)	Prawdziwie negatywny (TN)	Fałszywie negatywny (FN)
Prawdziwie pozytywny (TP)	10	2	0	0
Fałszywie pozytywny (FP)	0	5	0	0
Prawdziwie negatywny (TN)	0	0	15	0
Fałszywie negatywny (FN)	0	0	0	3

W tym przykładzie, wartości false positive (FP) to 5 (w kolumnie "Fałszywie pozytywny" (FP)), a wartości false negative (FN) to 3 (w kolumnie "Fałszywie negatywny" (FN)).

[student_hfw]

Jak należy przygotować dane do uczenia maszynowego?

[bot_external]

Przygotowanie danych do uczenia maszynowego jest bardzo ważne, ponieważ może znacznie wpłynąć na jakość modelu. Oto kilka kroków, które należy wykonać:

1. Zbieranie danych: Zbierz dane, które będą używane do uczenia modelu. Dane powinny być reprezentatywne dla problemu, który chcesz rozwiązać.
2. Przygotowanie danych: Dane powinny być przygotowane do uczenia modelu. Oznacza to, że należy usunąć brakujące wartości, usunąć duplikaty, a także przekształcić dane w postać, w której mogą być używane przez model.
3. Podział danych: Dane powinny być podzielone na zbiór uczący (treningowy) i zbiór testowy. Zbiór uczący powinien zawierać większość danych, a zbiór testowy powinien zawierać mniejszą liczbę danych.
4. Weryfikacja danych: Dane powinny być weryfikowane, aby upewnić się, że są one poprawne i nie zawierają błędów.

Dodatkowo, należy pamiętać o tym, że dane powinny być:

• Wiarygodne: Dane powinny być wiarygodne i nie zawierać błędów.
• Reprezentatywne: Dane powinny być reprezentatywne dla problemu, który chcesz rozwiązać.
• Wielowymiarowe: Dane powinny być wielowymiarowe, aby model mógł je zrozumieć.

Jeśli dane nie są przygotowane poprawnie, model może nie działać poprawnie, a nawet mogą powstać błędy w wynikach.

[student_hfw]

Jakie są ograniczenia Google Teachable Machine?

[bot_external]

Ograniczenia Google Teachable Machine to:

• Nie można ręcznie zmienić proporcji danych w zbiór uczący i zbiór testowy, która jest automatycznie ustalana w proporcji 85:15.
• Zbiór testowy musi być jakościowo reprezentatywny dla całości danych, co oznacza, że muszą znajdować się w nim podobne przykłady, co w zbiorze uczącym.
• Zbiór testowy musi być wystarczająco duży, aby można było ocenić, czy model poprawnie (lub błędnie) sklasyfikował przykłady.

Dodatkowo, w jednym z poprzednich fragmentów tekstu, opisano, że w Uczeniu Maszynowym spotyka się także inne proporcje danych w zbiór uczący i zbiór testowy, takie jak 20% lub 10% danych w zbiór testowy, ale nie ma informacji, czy Google Teachable Machine obsługuje te proporcje.

[eduexe.admin]