Eduexe Forum

[eduexe-intent]course_content[/eduexe-intent]
Problem regresji w uczeniu maszynowym, nazywany również predykcją, polega na przewidywaniu przez model konkretnej wartości liczbowej zmiennej zależnej na podstawie wartości zmiennych niezależnych. Przykładem może być przewidywanie cen mieszkań w konkretnym mieście na podstawie ich odległości od centrum. [eduexe-source]7:8[/eduexe-source]

[eduexe-intent]student_progress[/eduexe-intent]
W "Teście początkowym" (componentId: 5) nie zaznaczyłeś wszystkich poprawnych odpowiedzi w trzech pytaniach:

1. W pytaniu o macierz pomyłek i metryki, oprócz "Dokładność (accuracy) modelu wynosi 0.6", prawidłową odpowiedzią jest również "Precyzja (precision) modelu wynosi 0.5." [eduexe-source]22:1[/eduexe-source][eduexe-source]23:1[/eduexe-source]
2. W pytaniu o algorytmy uczenia przez wzmocnienie, oprócz "Monte Carlo", prawidłową odpowiedzią jest także "Q-learning". [eduexe-source]7:6[/eduexe-source]
3. W pytaniu o powody nieużywania tych samych danych do zbioru uczącego i testowego, oprócz "Prawie na pewno spowoduje to przeuczenie (overfitting) modelu.", prawidłową odpowiedzią jest również "W przypadku występowania wartości odstających w danych, model będzie błędnie przewidywał wartości w przypadku nowych danych, które nie zawierają wartości odstających." [eduexe-source]15:3[/eduexe-source][eduexe-source]17:4[/eduexe-source]

[eduexe-intent]course_content[/eduexe-intent]
Uczenie przez wzmacnianie (ang. reinforcement learning) to rodzaj uczenia maszynowego, w którym model uczy się poprzez interakcje ze środowiskiem, wykorzystując system kar i nagród. W ramach tego kursu skupiamy się jednak wyłącznie na uczeniu nadzorowanym. [eduexe-source]7:6[/eduexe-source]

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

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

[eduexe-intent]course_content[/eduexe-intent]
Google Teachable Machine (GTM) umożliwia tworzenie modeli Uczenia Maszynowego i zapisywanie ich do wykorzystania w dowolnych zastosowaniach. W kursie wykorzystujesz GTM do zadań klasyfikacji, np. rozróżniania zdjęć psów i kotów, ptaków czy cyfr. [eduexe-source]8:1[/eduexe-source][eduexe-source]10:10[/eduexe-source]

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

[eduexe-intent]student_progress[/eduexe-intent]
Twoje dotychczasowe postępy w kursie wyglądają następująco:

Wykonane:

• Spędziłeś w kursie 84.3 minuty.
• Zdobyłeś łącznie 25 punktów.
• Ukończyłeś moduły: "A1 - Wprowadzenie do uczenia maszynowego", "A2 - Wprowadzenie do Google Teachable Machine" [eduexe-source]7:1[/eduexe-source][eduexe-source]8:1[/eduexe-source] oraz "C - Podstawowe pojęcia UM" [eduexe-source]15:1[/eduexe-source].
• Pomyślnie zaliczyłeś test początkowy oraz test modułu "Wprowadzenie do UM" [eduexe-source]9:1[/eduexe-source] i test modułu "Podstawowe pojęcia UM" [eduexe-source]19:1[/eduexe-source].

Wymaga pracy:

• Przerobiłeś materiały z modułu "B - Dane w procesie UM" [eduexe-source]11:1[/eduexe-source], ale musisz jeszcze wykonać test modułu "Dane w procesie UM" [eduexe-source]13:1[/eduexe-source].
• Przerobiłeś materiały z modułu "D - Metryki" [eduexe-source]21:1[/eduexe-source], ale musisz jeszcze wykonać test modułu "Metryki" [eduexe-source]28:1[/eduexe-source].
• Pozostał Ci również do wykonania test końcowy [eduexe-source]36:1[/eduexe-source].

[eduexe-intent]student_progress[/eduexe-intent]
Podsumowując Twoje postępy:
Spędziłeś w kursie 2.75 minuty.

Wykonano:

• Odwiedziłeś komponenty: "Start" [eduexe-source]1:1[/eduexe-source], "Spis treści" [eduexe-source]3:1[/eduexe-source] i "Kwestionariusz początkowy" [eduexe-source]4:1[/eduexe-source]. Pobrałeś materiały do kursu [eduexe-source]1:2[/eduexe-source].
• Rozwiązałeś "Test początkowy" [eduexe-source]5:1[/eduexe-source], uzyskując 4 punkty (na 10 możliwych za ten test).

Wymaga pracy:

• Kurs jest nieukończony i niezaliczony. Do zdobycia pozostało do 26 punktów.
• Musisz jeszcze przerobić moduły A ("Wprowadzenie do Uczenia Maszynowego" [eduexe-source]7:1[/eduexe-source]), B ("Dane w procesie UM" [eduexe-source]11:1[/eduexe-source]), C ("Podstawowe pojęcia UM" [eduexe-source]15:1[/eduexe-source]) i D ("Metryki" [eduexe-source]21:1[/eduexe-source]).
• Do zrobienia są także testy cząstkowe z każdego modułu oraz test końcowy.

[eduexe-intent]course_content[/eduexe-intent]
Wyobraź sobie ucznia, który uczy się do egzaminu z matematyki. Jeśli nauczy się on na pamięć wszystkich zadań z repetytorium wraz z odpowiedziami, to będzie doskonale rozwiązywał zadania, które już widział. Jednak na egzaminie, gdzie pojawią się nowe zadania (choć podobne), jego "pamięciowe" podejście zawiedzie, bo nie będzie umiał zastosować wiedzy do nowych problemów – to jest właśnie przeuczenie. Model zbyt dobrze zapamiętał dane uczące, ale stracił zdolność do radzenia sobie z nowymi danymi. [eduexe-source]17:4[/eduexe-source]

[eduexe-intent]course_content[/eduexe-intent]
Uczenie przez wzmacnianie (ang. reinforcement learning) to rodzaj uczenia maszynowego, w którym model uczy się poprzez interakcje ze środowiskiem, wykorzystując system kar i nagród. [eduexe-source]7:6[/eduexe-source] W dostarczonym kursie nie ma konkretnych przykładów problemów, które rozwiązuje się wyłącznie za pomocą uczenia przez wzmacnianie. Kurs skupia się dalej wyłącznie na uczeniu nadzorowanym. [eduexe-source]7:6[/eduexe-source]

[eduexe-intent]course_content[/eduexe-intent]
Dobór parametrów treningu zależy od konkretnych danych i wymaga eksperymentowania:

• Epoki (Epochs): Wybierz wystarczającą liczbę epok, aby model dobrze się nauczył, ale nie za dużo, aby uniknąć przeuczenia, gdzie model zapamiętuje dane treningowe zamiast uczyć się ogólnych wzorców. [eduexe-source]16:3[/eduexe-source][eduexe-source]17:4[/eduexe-source]
• Wielkość wsadu (Batch size): Dostosuj do dostępnych zasobów obliczeniowych. Większy wsad może skrócić liczbę potrzebnych epok, ale wymaga więcej pamięci. Mniejszy wsad jest mniej zasobożerny, ale może wymagać więcej epok. [eduexe-source]16:5[/eduexe-source]
• Współczynnik uczenia (Learning rate): Należy go dobierać eksperymentalnie. Zbyt mały współczynnik znacznie wydłuży trening, natomiast zbyt duży może spowodować, że model "przeskoczy" optymalne rozwiązanie. [eduexe-source]16:7[/eduexe-source]

[eduexe-intent]course_content[/eduexe-intent]
Aktualna część kursu omawia Metryki, czyli miary oceny jakości modeli Uczenia Maszynowego. Oblicza się je na podstawie macierzy pomyłek, która kategoryzuje poprawne (TP, TN) i błędne (FP, FN) klasyfikacje. [eduexe-source]21:2[/eduexe-source]
Główne metryki to:

• Dokładność (Accuracy): Procent poprawnych klasyfikacji. [eduexe-source]22:1[/eduexe-source]
• Precyzja (Precision): Ile pozytywnych prognoz było faktycznie pozytywnych. [eduexe-source]23:1[/eduexe-source]
• Czułość (Recall): Ile rzeczywistych pozytywnych przypadków model wykrył. [eduexe-source]24:1[/eduexe-source]
• F-score: Zbalansowana ocena łącząca precyzję i czułość. [eduexe-source]25:1[/eduexe-source]

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

[eduexe-intent]course_content[/eduexe-intent]
Uczenie nadzorowane (ang. supervised learning) różni się od uczenia przez wzmacnianie (ang. reinforcement learning) tym, że w uczeniu nadzorowanym model otrzymuje do nauki surowe dane wraz z odpowiadającymi im prawidłowymi odpowiedziami (etykietami wynikowymi). Przykładem problemu dla uczenia nadzorowanego może być nauka rozróżniania zdjęć psów i kotów na podstawie dostarczonych zdjęć podpisanych odpowiednio jako psy i koty.

Uczenie przez wzmacnianie polega na tym, że model uczy się poprzez interakcje ze środowiskiem, wykorzystując system kar i nagród. [eduexe-source]7:6[/eduexe-source]

[eduexe-intent]course_content[/eduexe-intent]
Uczenie przez wzmacnianie (ang. reinforcement learning) to metoda, w której model uczy się poprzez interakcje ze środowiskiem, wykorzystując system kar i nagród. W niniejszym kursie skupiamy się jednak wyłącznie na uczeniu nadzorowanym i nie omawiamy tej metody szczegółowo. [eduexe-source]7:6[/eduexe-source]

[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]
Uczenie przez wzmacnianie (ang. reinforcement learning) to rodzaj uczenia maszynowego, w którym model uczy się poprzez interakcje ze środowiskiem, wykorzystując system kar i nagród. [eduexe-source]7:6[/eduexe-source]

[eduexe-intent]course_content[/eduexe-intent]
Aktualna część kursu dotyczy metryk oceny modeli ML. Zapamiętaj:

• Metryki (Dokładność, Precyzja, Czułość, F-score) bazują na macierzy pomyłek. [eduexe-source]29:1[/eduexe-source]
• Dokładność to % poprawnych klasyfikacji, lecz bywa myląca (np. przy niezbalansowanych danych). [eduexe-source]22:6[/eduexe-source]
• Precyzja jest ważna, gdy minimalizujesz fałszywe pozytywy. [eduexe-source]26:4[/eduexe-source]
• Czułość jest kluczowa, gdy chcesz wykryć wszystkie prawdziwe pozytywy. [eduexe-source]26:4[/eduexe-source]
• F-score to kompromis między precyzją a czułością. [eduexe-source]25:1[/eduexe-source]
  Wybór metryki zależy od celu i danych. [eduexe-source]26:4[/eduexe-source]

[eduexe-intent]course_content[/eduexe-intent]
W dostarczonym kursie nie ma informacji na temat konkretnych technik generowania dodatkowych przykładów z istniejących, takich jak obracanie czy przesuwanie, w przypadku niewystarczającej liczby przykładów dla danej klasy.

Kurs sugeruje uzupełnienie klasy o więcej rzeczywistych przykładów [eduexe-source]14:5[/eduexe-source] lub znalezienie podobnych przypadków i dołączenie ich do odpowiedniej klasy. Podkreśla, że musi się ich zebrać "więcej niż kilka, by nasze działanie mogło odnieść skutek" [eduexe-source]12:3[/eduexe-source].