Eduexe Forum

Najważniejsze informacje to:

• Dane są zbiorem dyskretnych lub ciągłych wartości, które przekazują informacje.
• Dane mogą być uporządkowane w strukturach, takich jak tabele, które zapewniają dodatkowy kontekst i znaczenie.
• Dane mogą być używane jako zmienne w procesie obliczeniowym.
• Dane mogą reprezentować abstrakcyjne idee lub konkretne pomiary.
• Dane są powszechnie używane w badaniach naukowych, ekonomii i praktycznie każdej innej formie ludzkiej działalności organizacyjnej.
• Dane są zbierane za pomocą technik takich jak pomiar, obserwacja, zapytanie lub analiza.
• Dane są analizowane przy użyciu technik takich jak obliczenia, rozumowanie, dyskusja, prezentacja, wizualizacja lub inne formy post-analizy.

Dodatkowo, w kontekście analizy danych, najważniejsze informacje to:

• Analiza danych to proces inspekcji, oczyszczania, przekształcania i modelowania danych w celu odkrywania przydatnych informacji, formułowania wniosków i wspomagania podejmowania decyzji.
• Analiza danych ma wiele aspektów i podejść, obejmując różnorodne techniki pod różnymi nazwami.
• Eksploracja danych jest szczególną techniką analizy danych, która koncentruje się na modelowaniu statystycznym i odkrywaniu wiedzy w celach predykcyjnych.
• Analityka predykcyjna koncentruje się na zastosowaniu modeli statystycznych do prognozowania predykcyjnego lub klasyfikacji.

Uczenie maszynowe to dziedzina zajmująca się programami, które mogą automatycznie poprawiać swoje wyniki w wykonywaniu danego zadania.

[eduexe-intent]student_progress[/eduexe-intent]
Masz absolutną rację, przepraszam za niedopatrzenie. Sprawdziłem Twoje postępy ponownie.

Faktycznie, quiz „Sprawdź, czy rozumiesz” w rozdziale „Wprowadzenie” został przez Ciebie rozwiązany poprawnie za piątym podejściem. Gratulacje! Twoja wytrwałość przyniosła efekt.

Uczenie Maszynowe (ang. Machine Learning - ML) to obszar Sztucznej Inteligencji (ang. Artificial Intelligence - AI) koncentrujący się na rozwijaniu algorytmów automatycznie poprawiających się poprzez doświadczenie, czyli ekspozycję na dane. Algorytmy te na podstawie dostarczonych im danych budują model matematyczny, który potrafi podejmować decyzje czy prognozować rezultaty bez potrzeby bycia wprost zaprogramowanym do danego celu przez człowieka.

[eduexe-intent]student_progress[/eduexe-intent]
Na podstawie Twoich postępów, najważniejszą rzeczą jest teraz ukończenie modułu "Metryki" (Moduł D).

Uzasadnienie: Analiza Twoich postępów pokazuje, że jest to ostatni moduł merytoryczny, który właśnie rozpocząłeś/aś, ale nie ukończyłeś/aś jeszcze żadnego z zawartych w nim ćwiczeń.

Pierwszy krok: Wróć do sekcji "Metryki" i odpowiedz na pierwsze pytanie kontrolne, dotyczące analizy macierzy pomyłek.

Metryka to miara jakości modelu Uczenia Maszynowego, która umożliwia porównywanie modeli między sobą. W kontekście kursu, omawiane są cztery metryki: dokładność (accuracy), precyzja (precision), czułość (recall) i F-score. Każda z nich ma swoje wady i zalety i jest stosowana w zależności od celu modelu i charakteru danych.

Oto streszczenie odpowiedzi na pytanie kursanta:

Uczenie Maszynowe to proces, w którym komputer uczy się na podstawie danych, aby samodzielnie podejmować decyzje lub wykonywać zadania. Aby uczenie maszynowe było możliwe, potrzebne są dane, które są odpowiednio przygotowywane i wybierane. Dane te są używane do trenowania modelu, który może być następnie wykorzystywany do rozwiązywania różnych zadań, takich jak rozpoznawanie mowy, tłumaczenie maszynowe czy generowanie języka naturalnego. Uczenie maszynowe można podzielić na trzy główne podkategorie: uczenie nadzorowane, nienadzorowane i przez wzmacnianie. W niniejszym kursie skupimy się na uczeniu nadzorowanym.

Uczenie maszynowe to dziedzina badań w sztucznej inteligencji, która zajmuje się rozwojem i badaniem algorytmów statystycznych, które potrafią uczyć się na danych i generalizować na dane niewidziane, a tym samym wykonywać zadania bez wyraźnych instrukcji.

Precyzja to kolejna metryka, którą można wykorzystać do opisu jakości modelu Uczenia Maszynowego. Definiuje się ją jako stosunek poprawnie sklasyfikowanych diagnoz pozytywnych do liczby wszystkich przypadków testowych sklasyfikowanych przez model jako pozytywne.

Uczenie maszynowe to dziedzina badań w sztucznej inteligencji zajmująca się rozwojem i badaniem algorytmów statystycznych, które potrafią uczyć się na danych i generalizować na dane niewidziane, a tym samym wykonywać zadania bez wyraźnych instrukcji.

Uczenie maszynowe to dziedzina zajmująca się programami, które mogą automatycznie poprawiać swoje wyniki w wykonywaniu danego zadania.

Uczenie maszynowe (UM, ang. Machine Learning - ML) - obszar Sztucznej Inteligencji (ang. Artificial Intelligence - AI) koncentrujący się na rozwijaniu algorytmów automatycznie poprawiających się poprzez doświadczenie, czyli w ich wypadku - ekspozycję na dane.

Odpowiedź na pytanie kursanta:

Nie, to nie jest problem. W kursie nie ma żadnych wskazówek, że nazwa folderu powinna być zgodna z nazwą klasy. Właśnie przeczytałem, że w jednym z przykładów nazwa folderu to "lykoi", a w innym "4". Nie ma żadnych wskazówek, że nazwa folderu powinna być zgodna z nazwą klasy. Możesz użyć nazwy folderu "kanarek" i powinno to działać poprawnie.

Miara F1, znana również jako wynik F lub zbalansowany wynik F, to średnia harmoniczna precyzji i kompletności. Jest obliczana według następującego wzoru:

F1 = 2 / (recall^-1 + precision^-1) = 2 * (precision * recall) / (precision + recall) = 2 * TP / (2 * TP + FP + FN)

Gdzie:

• TP to liczba prawdziwie pozytywnych wyników
• FP to liczba nieprawidłowo zidentyfikowanych wyników
• FN to liczba wyników, które nie zostały zidentyfikowane jako pozytywne

Miara F1 jest symetryczna wobec precyzji i kompletności, co oznacza, że reprezentuje zarówno precyzję, jak i kompletność w jednej metryce.

Uczenie maszynowe jest powszechną techniką stosowaną w obszarach uczenia maszynowego, gdzie obliczeniowo niemożliwe jest trenowanie na całym zbiorze danych, co wymaga zastosowania algorytmów out-of-core.

Uczenie maszynowe możemy podzielić na trzy główne podkategorie: uczenie nadzorowane, uczenie nienadzorowane i uczenie przez wzmacnianie.

Wbudowane uczenie maszynowe to sub-dziedzina uczenia maszynowego, w której modele są wdrażane w systemach wbudowanych o ograniczonych zasobach obliczeniowych, takich jak komputery ubieralne, urządzenia brzegowe i mikrokontrolery.

Odpowiedź na pytanie kursanta:

W Google Teachable Machine, dokładność modelu jest obliczana na podstawie macierzy pomyłek. Gdy trenujemy model dla trzech klas, dokładność jest obliczana dla każdej klasy osobno. W tym przypadku, jeśli model trenuje dla trzech klas, to otrzymasz trzy wartości dokładności: jedną dla każdej klasy.

W przykładzie, który został przedstawiony w kursie, model trenował dla dwóch klas: psów i kotów. Dokładność modelu była obliczana dla każdej klasy osobno, a następnie była obliczana dokładność całego modelu, która była średnią z dokładności dla obu klas.

Jeśli model trenuje dla trzech klas, to otrzymasz trzy wartości dokładności: jedną dla każdej klasy. Nie ma powodu, aby powinna być 90% dokładności w tym przypadku. Dokładność modelu zależy od wielu czynników, takich jak jakość danych, wielkość zbioru danych, a także konfiguracja modelu.

Uczenie maszynowe (ang. Machine Learning - ML) to obszar Sztucznej Inteligencji (ang. Artificial Intelligence - AI) koncentrujący się na rozwijaniu algorytmów automatycznie poprawiających się poprzez doświadczenie, czyli ekspozycję na dane. Algorytmy te na podstawie dostarczonych im danych budują model matematyczny, który potrafi podejmować decyzje czy prognozować rezultaty bez potrzeby bycia wprost zaprogramowanym do danego celu przez człowieka.

Główne elementy uczenia maszynowego to:

• dane - duże zbiory danych używane do trenowania i testowania działania modelu
• model - matematyczna reprezentacja problemu, uczona na podstawie danych
• algorytm - zestaw reguł i procedur używany do uczenia modelu na podstawie danych
• funkcja straty - funkcja używana do oceny, jak dobrze model działa - im niższa strata, tym lepszy model
• optymalizacja - proces dopasowywania parametrów modelu w celu minimalizacji funkcji straty

Uczenie maszynowe jest szeroko stosowane w takich dziedzinach jak rozpoznawanie obrazów i dźwięków, analiza danych, budowanie złożonych modeli językowych, diagnostyka medyczna, autonomiczne sterowanie i wiele innych.

Uczenie maszynowe jest powszechną techniką stosowaną w obszarach uczenia maszynowego, gdzie obliczeniowo niemożliwe jest trenowanie na całym zbiorze danych, co wymaga zastosowania algorytmów out-of-core.

Uczenie maszynowe jest stosowane w wielu innych dyscyplinach, takich jak teoria gier, teoria sterowania, badania operacyjne, teoria informacji, optymalizacja oparta na symulacjach, systemy wieloagentowe, inteligencja roju, statystyka i algorytmy genetyczne.

Algorytmy uczenia ze wzmocnieniem są wykorzystywane w pojazdach autonomicznych lub do nauki gry przeciwko ludzkiemu przeciwnikowi.

Odpowiedź na pytanie kursanta:

Przykładem problemu, w którym powinieneś użyć metryki recall, jest sytuacja, w której zależy nam na wykryciu jak największej liczby przykładów z jednej klasy, nawet jeśli to oznacza błędne zaklasyfikowanie kilku przykładów z innych klas. Przykładem takiego problemu może być wykrywanie chorób we wczesnym stadium, gdzie ważne jest, aby wykryć jak największą liczbę chorych, nawet jeśli to oznacza błędne zaklasyfikowanie kilku zdrowych osób.

W takim przypadku metryka recall jest najważniejsza, ponieważ mierzy, jak dużą część rzeczywiście chorych osób model jest w stanie wykryć. Jeśli model ma wysoką wartość recall, to oznacza, że jest w stanie wykryć większość chorych osób, nawet jeśli to oznacza błędne zaklasyfikowanie kilku zdrowych osób.

Odpowiedź jest już dostępna w historii rozmowy. Uczenie maszynowe (ang. Machine Learning - ML) to obszar Sztucznej Inteligencji (ang. Artificial Intelligence - AI) koncentrujący się na rozwijaniu algorytmów automatycznie poprawiających się poprzez doświadczenie, czyli ekspozycję na dane.

Jeśli damy nierówną ilość plików, to w takim przypadku, mamy dwa wyjścia: jeżeli dysponujemy dodatkowymi danymi łącznie z ich prawidłową, jednoznaczną identyfikacją, możemy poszukać w nich więcej podobnych przypadków granicznych, a następnie dodać je do prawidłowych dla nich klas - musi się ich jednak zebrać więcej niż kilka, by nasze działanie mogło odnieść skutek.

Odpowiedź na pytanie kursanta:

Przykładem, w którym F1 jest najlepsze, jest sytuacja, w której zależy nam na znalezieniu kompromisu pomiędzy precyzją i czułością. F1 jest średnią harmoniczną precyzji i czułości, co oznacza, że jest w stanie uwzględniać zarówno precyzję, jak i czułość.

Przykładem takiego problemu może być klasyfikacja dokumentów, gdzie ważne jest, aby dokumenty były poprawnie zaklasyfikowane, ale również ważne jest, aby nie zostały pominięte żadne ważne dokumenty. W takim przypadku F1 jest najlepsze, ponieważ pozwala na znalezienie kompromisu pomiędzy precyzją i czułością.

Warto zauważyć, że F1 jest szczególnie przydatne w przypadku, gdy klasa pozytywna występuje rzadko w porównaniu z klasą negatywną, jak to opisano w przykładzie z wyszukiwarką informacji.