Contact person: muzeum.prywatne

Phone:Show

Email:Show

Location: Remote Cooperation

Budget: Recommended by industry experts

Time to start: As soon as possible

Project description:
"Projekt własny1) Opracuj własny przykład zagadnienia klasyfikacji. Poszczególne kroki realizacjiprojektu opisz w prezentacji PPT.2) Przygotuj dane uczące na bazie wcześniejszego przykładu.3) Strojenie hiperparametrów w uczeniu maszynowym to proces optymalizacjiparametrów, które nie są bezpośrednio uczone z danych, ale są ustawiane przedrozpoczęciem treningu modelu. Hiperparametry mogą znacząco wpłynąć nawydajność modelu, dlatego ich odpowiedni dobór jest kluczowy.Wytrenuj model dla różnych wartości hiperparametrów:● Batch size (rozmiar danych) - dobierz 4 różne rozmiary danych uczących● Training time (czas uczenia) - dobierz 4 różne czasy uczeniaML.NET automatycznie dzieli dane wejściowe na dane treningowe i testowe —domyślnie (nie ma możliwości ustawienia hiperparametru split ratio):● 80% treningowe20% testowe4) Określ wartości dokładności modelu - accuracy (w sekcji Training results) dlawszystkich kombinacji hiperparametrów. Wyniki przedstaw w formie tabelarycznej.Określ, który model jest najlepszy biorąc pod uwagę jego dokładność. Spróbujodpowiedzieć na pytanie, czy im dłuższy czas uczenia i czym większy rozmiarzestawu uczącego, tym dokładność modelu jest lepsza.5) Walidacja modelu w uczeniu maszynowym to proces oceny wydajności modelu nadanych, które nie były używane podczas jego treningu. Celem walidacji jestzapewnienie, że model będzie dobrze działał na nowych, nieznanych danych.Przygotuj dane walidacyjne, które nie wchodziły w skład zestawu uczącego. Wybierznajlepiej wytrenowany model, a następnie na podstawie wyników (Results) spróbujokreślić średnią dokładność modelu na podstawie danych walidacyjnych. Porównajwyniki. Odpowiedz na pytanie czy otrzymana predykcja była w każdym przypadkuprawidłowa." (client-provided description)

Additional information:"No description" (admin-provided information)