conversation_by_dn2

[student_905_dn2]

Jakie są problemy uczenia maszynowego nadzorowanego?

[bot_external]

W oparciu o dostępny kontekst, można stwierdzić, że w ramach uczenia maszynowego nadzorowanego wyróżnia się dwa podstawowe problemy:

1. Predykcja - polega na przewidywaniu przez model konkretnej wartości liczbowej zmiennej zależnej na podstawie wartości zmiennych niezależnych.
2. Klasyfikacja - polega na przypisywaniu przez model danego obiektu do jednej z określonych klas.

W dalszej części tego kursu skupimy się wyłącznie na zadaniu klasyfikacji.

[student_905_dn2]

Jak rozwiązać problem danych spoza klas w uczeniu maszynowym?

[bot_external]

Nie mam informacji w dostępnym kontekście, które pozwoliłyby mi odpowiedzieć na to pytanie.

[student_905_dn2]

Jakie możemy mieć problemy odnośnie danych w uczeniu maszynowym?

[bot_external]

W oparciu o dostępny kontekst, możemy stwierdzić, że w ramach uczenia maszynowego mogą występować problemy związane z danymi, takie jak:

• Brak odpowiednich danych
• Brak dostępu do danych
• Obciążenie danych
• Problemy z prywatnością
• Źle dobrane zadania i algorytmy
• Niewłaściwe narzędzia i ludzie
• Brak zasobów
• Problemy z ewaluacją
• "Teoria czarnej skrzynki" - sytuacja, w której algorytm lub proces wytwarzania wyniku jest całkowicie nieprzejrzysty.

Dodatkowo, w kontekście opisanym w dostępnym tekście, wskazano na przykłady problemów związanych z danymi w uczeniu maszynowym, takie jak:

• Nieprawidłowe działanie modelu w opiece zdrowotnej z systemem IBM Watson
• Generowanie wrogich i obraźliwych odpowiedzi przez chatbot Bing Chat firmy Microsoft
• Zwiększenie obciążenia recenzentów związane z rozwojem literatury biomedycznej.

Jeśli chodzi o rozwiązanie problemów związanych z danymi w uczeniu maszynowym, w dostępnym kontekście nie ma informacji, które pozwoliłyby mi odpowiedzieć na to pytanie.

[student_905_dn2]

Jak rozwiązać problem danych spoza klas w uczeniu maszynowym?

[bot_external]

Nie mam informacji w dostępnym kontekście, które pozwoliłyby mi odpowiedzieć na to pytanie.

[student_905_dn2]

Jak wyglądają proporcje w podziale danych?

[bot_external]

W oparciu o dostępny kontekst, w Google Teachable Machine dane są automatycznie dzielone na zbiór uczący i zbiór testowy w proporcji 85:15. Jednakże, nie oznacza to, że ta proporcja jest jedynym słusznym wyborem. W praktyce, zbiór testowy może obejmować od 10% do 20% wszystkich danych, lub nawet mniej przy bardzo dużych zbiorach danych.

[student_905_dn2]

Opisz zwięźle czym są epoki.

[bot_external]

W oparciu o dostępny kontekst, epoka to przejście modelu w czasie treningu przez wszystkie przykłady ze zbioru uczącego (treningowego).

[student_905_dn2]

Czym jest przeuczenie

[bot_external]

W oparciu o dostępny kontekst, przeuczenie to przeciwieństwo niedouczenia (niedopasowania modelu). Występuje ono wtedy, gdy model jest zbyt prosty, by poradzić sobie skutecznie z danymi ze zbioru uczącego. Przekładając to na nauczanie matematyki, przeuczony model to uczeń, który rozwiązał zbyt wiele zadań z repetytorium i nie potrafi generalizować ich rozwiązań na inne zadania.

[student_905_dn2]

co to GTM?

[bot_external]

GTM to skrót od Google Teachable Machine, czyli przeglądarkowe narzędzie udostępnione przez firmę Google, które umożliwia tworzenie modeli Uczenia Maszynowego (oraz zapisywanie ich do wykorzystania w dowolnych zastosowaniach). Do korzystania z GTM nie są potrzebne żadne umiejętności programistyczne ani matematyczne, wystarczy jedyne ogólne zrozumienie, czym Uczenie Maszynowe jest.

[student_905_dn2]

czy model z metryką 0,7 jest lepszy od modelu z metryką 0,9?

[bot_external]

Nie, model z metryką 0,7 nie jest lepszy od modelu z metryką 0,9. Jak wskazano w dostępnym kontekście, im wyższa wartość metryki, tym wyższa ocena modelu.

[student_905_dn2]

co to dokładność?

[bot_external]

Dokładność to podstawowa i najczęściej wykorzystywana metryka służąca do oceny jakości modelu w Uczeniu Maszynowym. Jest to stosunek poprawnie zaklasyfikowanych przez model przykładów testowych do wszystkich przykładów testowych. Im większa wartość dokładności, tym lepiej - jeżeli model będzie się zawsze mylił, dokładność wyniesie 0, natomiast jeżeli wszystkie testowe przypadki zostaną zaklasyfikowane poprawnie, dokładność wyniesie 1.