Eduexe Forum

[eduexe-intent]student_progress[/eduexe-intent]
Aby zdobyć maksymalną liczbę punktów (81, zgodnie z konfiguracją kursu), musisz jeszcze przystąpić do testu końcowego. Jest to jedyny pozostały element kursu, który jest wyraźnie punktowany i za który możesz otrzymać 20 punktów. [eduexe-source]1:1[/eduexe-source]

W poprzednich rozmowach zgłaszałeś/zgłaszałaś problem z dostępem do testu końcowego (Komponent 36), otrzymując komunikat "Komponent źródłowy jest obecnie niedostępny do wyświetlenia". Aby uzyskać do niego dostęp, zalecam skontaktowanie się z administratorem kursu lub prowadzącym.

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

[eduexe-intent]course_content[/eduexe-intent]
Aktualny temat dotyczy "straty", "przeuczenia" i "niedouczenia" w kontekście modeli uczenia maszynowego.

Strata (loss) mówi, jak bardzo model się myli. Celem jest minimalizacja straty – im niższa, tym lepiej. [eduexe-source]17:2[/eduexe-source]

Przeuczenie (overfitting) to, gdy model zbyt dobrze "zapamiętuje" dane treningowe, świetnie działając na nich, ale słabo na nowych, nieznanych danych. Jak uczeń, który wykuł test na pamięć, ale nie rozumie tematu. [eduexe-source]17:4[/eduexe-source]

Niedouczenie (underfitting) to, gdy model jest zbyt prosty lub za mało wytrenowany, by uczyć się z danych, przez co słabo radzi sobie ze wszystkimi danymi. Jak uczeń, który w ogóle się nie uczył. [eduexe-source]17:6[/eduexe-source]

Pytanie sprawdzające:
Model doskonale rozpoznaje zdjęcia, które widział podczas nauki, ale myli się na nowych. To przykład:
a) niedouczenia
b) przeuczenia
c) niskiej straty

[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]

[eduexe-intent]course_content[/eduexe-intent]
Zbiór testowy (ang. test set) to zbiór przykładów, których model nie wykorzystał w procesie uczenia się. Służy on do przetestowania wytrenowanego modelu, mierząc jak dobrze radzi sobie z klasyfikowaniem nowych, nieznanych danych i oceniając jego skuteczność. [eduexe-source]15:3[/eduexe-source]

[eduexe-intent]course_content[/eduexe-intent]
Wsad (ang. batch size) to rozmiar porcji treningowej, czyli liczba przykładów, jaką model otrzymuje jednocześnie do trenowania w pojedynczej iteracji swojego działania. Współczynnik uczenia (ang. learning rate) określa, jak duży krok model ma wykonać w kierunku oczekiwanego rozwiązania podczas treningu po każdej nowej ekspozycji na dane. [eduexe-source]16:5[/eduexe-source][eduexe-source]16:7[/eduexe-source]

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

[eduexe-intent]course_content[/eduexe-intent]
Błąd system LLM.

[eduexe-intent]course_content[/eduexe-intent]
Błąd system LLM.

[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.

[eduexe-intent]other[/eduexe-intent]
Błąd system LLM.

[eduexe-intent]course_content[/eduexe-intent]
Sekcja C wprowadza podstawowe pojęcia: Zbiór uczący (dane do treningu) i zbiór testowy (dane do weryfikacji, GTM 85:15). Omówiono parametry treningu: epokę (jedno przejście przez zbiór uczący), wsad (porcja danych) i współczynnik uczenia (wielkość korekty). Wyjaśniono funkcję straty (do minimalizacji), zjawiska przeuczenia (nadmierne dopasowanie) i niedouczenia (zbyt proste/krótkie uczenie). Na koniec przedstawiono macierz pomyłek do oceny klasyfikacji modelu. [eduexe-source]20:1[/eduexe-source]

[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]

[eduexe-intent]student_progress[/eduexe-intent]
Błąd system LLM.

[eduexe-intent]other[/eduexe-intent]
Całka nieoznaczona z e^(3x) * sin(6x) wynosi:

[e^(3x) / 15] * (sin(6x) - 2*cos(6x)) + C, gdzie C to stała całkowania.

[eduexe-intent]course_content[/eduexe-intent]
Kurs skupia się wyłącznie na zadaniu klasyfikacji i nie zawiera więcej przykładów problemów regresji poza przewidywaniem cen mieszkań. [eduexe-source]7:8[/eduexe-source]

[eduexe-intent]course_content[/eduexe-intent]
W niniejszym kursie skupimy się wyłącznie na uczeniu nadzorowanym, co jest jasno określone w module wprowadzającym do Uczenia Maszynowego. [eduexe-source]7:6[/eduexe-source]

[eduexe-intent]other[/eduexe-intent]
Jestem asystentem AI, dużym modelem językowym wytrenowanym przez Google. Możesz się do mnie zwracać po prostu jako "asystent AI", "model językowy" lub "bot".

[eduexe-intent]course_content[/eduexe-intent]
Błąd system LLM.

[eduexe-intent]other[/eduexe-intent]
Zgodnie z informacjami w kursie, Google Teachable Machine jest darmowym narzędziem udostępnionym przez firmę Google. W materiałach kursu nie ma żadnych wzmianek o istnieniu płatnej wersji tego narzędzia. [eduexe-source]8:1[/eduexe-source][eduexe-source]47:2[/eduexe-source]