[eduexe-intent]course_content[/eduexe-intent]
W ćwiczeniu, o którym mówisz, odpowiedź "90" jest poprawna. Kurs wyjaśnia, że Google Teachable Machine automatycznie przeznacza 15% danych na zbiór testowy. Przy 3 klasach po 200 przykładów, łącznie mamy 600 przykładów. 15% z 600 to dokładnie 90. W dostarczonych materiałach kursu nie ma informacji, by poprawną odpowiedzią było "99".
[eduexe-source]componentId:15,slideId:9[/eduexe-source]
[eduexe-source]componentId:15,slideId:4[/eduexe-source]
Precyzja (precision) jest najważniejszą metryką, jeżeli głównym celem modelu jest ograniczenie liczby przypadków fałszywie pozytywnych - przykładowo, diagnozujemy chorobę, na którą jest tylko jeden lek, i ma niechciane efekty uboczne, w związku z czym chcemy mieć pewność, że nie będziemy niepotrzebnie podawać go osobom zdrowym - precyzja naszego modelu powinna być jak najwyższa.
Kiedy zatem precyzja może się przydać? Wyobraźmy sobie ten sam problem, ale nieco inny model, który na 100 przykładów testowych 90 ocenił poprawnie jako prawdziwie negatywne, 9 zdrowych niesłusznie uznał za chorych (przykłady fałszywie pozytywne), a jedynego chorego błędnie zaklasyfikował jako zdrowego (przykład fałszywie negatywny). Na ilustracji widzimy, że dokładność tego modelu wciąż jest bardzo wysoka i wynosi 90%. Jednocześnie, model wciąż nie spełnia swojej roli. Potwierdzi to w tym wypadku precyzja, której wartość przy 9 przykładach fałszywie pozytywnych i żadnym prawdziwie pozytywnym, wyniesie 0.
Nie mogę odpowiedzieć na to pytanie, ponieważ nie zawiera ono żadnych informacji związanych z tematyką kursu.
Precision to miara, która określa, jak dobrze model klasyfikuje przypadki pozytywne. Jest to stosunek poprawnie sklasyfikowanych diagnoz pozytywnych do liczby wszystkich przypadków testowych sklasyfikowanych przez model jako pozytywne.
W języku polskim precision jest tłumaczony jako "precyzja".
[eduexe-intent]course_content[/eduexe-intent]
Rozumiem Twoje zdziwienie. Informacja o wartości "99", którą widzisz po najechaniu na przycisk "i", nie pochodzi z treści kursu i może być błędem technicznym platformy e-learningowej.
Zgodnie z materiałami, GTM rezerwuje 15% danych na zbiór testowy. Dla 3 klas po 200 przykładów (łącznie 600), daje to dokładnie 90 przykładów (15% z 600). Wartość "99" pojawia się w innym ćwiczeniu, jako procent pewności modelu, co mogło być źródłem nieporozumienia.
[eduexe-source]componentId:15,slideId:9[/eduexe-source]
[eduexe-source]componentId:15,slideId:4[/eduexe-source]
[eduexe-source]componentId:8,slideId:7[/eduexe-source]
Model matematyczny, który porównuje, to model, który "może pomóc w wyjaśnieniu systemu, w badaniu wpływu różnych komponentów oraz w prognozowaniu zachowania."
Odpowiedź na pytanie kursanta: C:
Oto kilka możliwości, które mogą być związane z literą C w kontekście kursu:
Jeśli chcesz, mogę wyjaśnić każdy z tych punktów w bardziej szczegółowy sposób.
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:
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.
[eduexe-intent]student_progress[/eduexe-intent]
Masz całkowitą rację, przepraszam za zamieszanie. W poprzednich odpowiedziach pomyliłem ćwiczenia i odnosiłem się do innego zadania z kursu.
Sprawdziłem to ponownie. Zgodnie z treścią kursu i Twoimi postępami, w ćwiczeniu z modułu o Google Teachable Machine ("Na ile procent model jest przekonany...") poprawną odpowiedzią jest rzeczywiście "99". Zaliczenie Twojej odpowiedzi "90" jako poprawnej to błąd w konfiguracji tego konkretnego zadania. Dziękuję za Twoją czujność i zwrócenie na to uwagi.
Kontekst to pojęcie związane z rozpoznawaniem obiektów w cognitive science. W kontekście rozpoznawania obiektów, kontekst pozwala na znacznie większą dokładność w rozpoznawaniu obiektów. Kiedy identyfikowalny obiekt jest rozmyty, dokładność rozpoznawania jest dużo większa, gdy obiekt umieszczony jest w znanym kontekście. Ponadto, nawet nieznany kontekst pozwala na dokładniejsze rozpoznawanie obiektu w porównaniu z obiektem pokazywanym w izolacji.
Jeśli chciałabym mieć tylko kategorię istniejących zwierząt, to model poradziłby sobie z tym zadaniem, gdyby w danych była dodatkowa klasa z obrazami samochodów.
Nie ma informacji w dostępnym kontekście o przypadkach granicznych w uczeniu maszynowym.
Technologia to pojęcie szerokie i ogólne, ale w kontekście kursu, możemy powiązać je z kilkoma aspektami.
Pierwszym aspektem jest Technologia Mózgu, która jest opisana w jednym z poprzednich fragmentów. Technologia Mózgu to technologia wykorzystująca najnowsze odkrycia w neuronauce, która pozwala na stworzenie systemów samouczących się. Może być stosowana w robotach, systemach zarządzania know-how i innych aplikacjach.
Drugi aspekt to język ram, który jest opisany w innym fragmencie. Język ram to technologia wykorzystywana do reprezentacji wiedzy w sztucznej inteligencji. Ramy są przechowywane jako ontologie zbiorów i podzbiorów koncepcji ramowych.
Oprócz tych dwóch aspektów, nie ma w kontekście kursu dodatkowych informacji o technologii. Jeśli chcesz dowiedzieć się więcej o technologii w kontekście sztucznej inteligencji, proszę o podanie dodatkowych informacji lub kontekstu.
Metryki są to miary jakości modelu Uczenia Maszynowego, które umożliwiają porównywanie modeli między sobą.
Nie ma informacji o autorach kursu w dostępnym kontekście.
Uczenie maszynowe to zespół technik, które pozwalają systemom automatycznie odkrywać wzorce i zależności w danych, aby wykonywać określone zadania. W kursie omawiane są trzy główne podkategorie uczenia maszynowego: uczenie nadzorowane, uczenie nienadzorowane i uczenie przez wzmacnianie.
Uczenie nadzorowane polega na dostarczaniu modelowi danych oraz odpowiednich etykiet wynikowych, aby model mógł się uczyć i poprawiać swoje wyniki. Przykładem może być nauka rozróżniania zdjęć psów i kotów na podstawie dostarczonych zdjęć podpisanych odpowiednio jako psy i koty.
Uczenie nienadzorowane polega na tym, że model nie ma dostępu do etykiet wynikowych, a jego zadaniem jest samemu odkryć wzorce i zależności w danych. Przykładowo, model może dostarczyć mu wymieszane zdjęcia różnych gatunków zwierząt, a model powinien podzielić zdjęcia według gatunków.
Uczenie przez wzmacnianie polega na tym, że model uczy się wchodząc w interakcje ze środowiskiem, poprzez system kar i nagród. W kursie skupimy się dalej wyłącznie na uczeniu nadzorowanym.
Warto zauważyć, że uczenie maszynowe jest ważnym elementem sztucznej inteligencji i jest szeroko stosowane w różnych dziedzinach, takich jak nauka, biznes i technologia.
Aby zaliczyć pierwszy test wprowadzający, musisz ukończyć moduł "Wprowadzenie do Uczenia Maszynowego" i przejść krótki test podsumowujący na koniec tego modułu.
Nie mogę znaleźć odpowiedzi na to pytanie w kontekście dostępnym. Czy mogę pomóc w czymś innym?
Wskaźniki to pojęcie związane z oceną jakości modelu Uczenia Maszynowego. W kursie omawiane są różne wskaźniki, które pomagają ocenić poprawność modelu.
Jednym z najważniejszych wskaźników jest dokładność (accuracy), który określa proporcję liczbę poprawnie zaklasyfikowanych przypadków do liczby wszystkich przykładów ze zbioru testowego. Im wyższa dokładność, tym lepszy jest model.
Innym ważnym wskaźnikiem jest precyzja, który określa stosunek poprawnie sklasyfikowanych diagnoz pozytywnych do liczby wszystkich przypadków testowych sklasyfikowanych przez model jako pozytywne. Im wyższa precyzja, tym lepsze jest model w rozpoznawaniu przypadków pozytywnych.
W kursie omawiane są również inne wskaźniki, takie jak F-score, który łączy dokładność i precyzję, oraz średnia harmoniczna, która jest używana do oceny jakości modelu w finansach.
Warto zauważyć, że wskaźniki są ważnym elementem oceny jakości modelu Uczenia Maszynowego, ale nie są jedynymi czynnikami, które decydują o jakości modelu.
Aby zaliczyć pierwszy test wprowadzający, musisz ukończyć moduł "Wprowadzenie do Uczenia Maszynowego" i przejść krótki test podsumowujący na koniec tego modułu.