[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]
Zgodnie z dostępnym kontekstem, model zazwyczaj trenuje się przez tyle epok, ile potrzeba, aby osiągnąć najlepsze wyniki na zbiorze walidacyjnym.
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]
W tym kontekście, accuracy będzie lepszą metryką niż precision w sytuacji, w której zależy nam, by wykryć jak najwięcej przykładów z jednej klasy (a więc ograniczamy liczbę przypadków fałszywie negatywnych). W takim przypadku czułość (recall) jest najważniejszą metryką, a accuracy może być używana jako kompromis między precyzją a czułością modelu.
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.
Nie, stwierdzenie to nie jest poprawne. Kontekst wskazuje, że dane testowe nie mają wpływu na proces uczenia modelu, ale są używane do sprawdzenia skuteczności modelu. Dane testowe są automatycznie dzielone na zbiór uczący i zbiór testowy w proporcji 85:15, co oznacza, że model jest trenowany na danych uczących się, a następnie oceniany na danych testowych. Wielkość wsadu natomiast odnosi się do rozmiaru porcji treningowej, czyli liczby przykładów, jaką model otrzymuje na raz do trenowania w pojedynczej iteracji swojego działania.
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.
Nie ma informacji w dostępnym kontekście o przypadkach granicznych w uczeniu maszynowym.
W tym kontekście nie ma informacji o tym, jak zmiana wielkości wsadu wpływa na trenowanie modelu. Kontekst dotyczy głównie problemów z trenowaniem modelu i poprawiania jego działania, a nie z parametrów trenowania.
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.
Nie ma informacji o autorach kursu w dostępnym kontekście.
Odpowiedź na to pytanie nie jest jednoznacznie zawarta w dostępnym kontekście. Nie ma informacji o limicie zdjęć, które można przesłać.
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.
Nie mogę znaleźć odpowiedzi na to pytanie w kontekście dostępnym. Czy mogę pomóc w czymś innym?
Odpowiedź na to pytanie nie jest jednoznacznie zawarta w dostępnym kontekście. Kontekst mówi o tym, jak poprawiać model, ale nie mówi o tym, jak ustawić model, aby zwracał "obrazek nie pasuje do modelu".
W jednym z przykładów, model jest trenowany na klasyfikacji obrazów psów i kotów, ale nie ma informacji o tym, jak ustawić model, aby zwracał "obrazek nie pasuje do modelu". Model może zwracać wynik klasyfikacji, ale nie ma informacji o tym, jak ustawić model, aby zwracał wynik "obrazek nie pasuje do modelu".
Jeśli chcesz ustawić model, aby zwracał "obrazek nie pasuje do modelu", to najprawdopodobniej musisz dodać nową klasę "obrazek nie pasuje do modelu" i trenować model na tej nowej klasie. Jednak nie ma informacji w dostępnym kontekście, która mówiłaby o tym, jak to zrobić.
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.