[Αναγνώριση Προτύπων] Παλιά Θέματα/Ασκήσεις - Σχολιασμός και Απορίες

[Thmmy.gr portal]

  Thmmy.gr portal
   Forum
   Downloads
   Ενεργ. Λογαριασμού
   Επικοινωνία
  
  Χρήσιμα links
   Σελίδα τμήματος
   Βιβλιοθήκη Τμήματος
   Elearning
   Φοιτητικά fora
   Πρόγραμμα Λέσχης
   Πρακτική Άσκηση
   Ηλεκτρονική Εξυπηρέτηση Φοιτητών
   Διανομή Συγγραμμάτων
   Ψηφιακό Καταθετήριο Διπλωματικών
   Πληροφορίες Καθηγητών
   Instagram @thmmy.gr
   mTHMMY
  
  Φοιτητικές Ομάδες
   ACM
   Aristurtle
   ART
   ASAT
   BEAM
   BEST Thessaloniki
   EESTEC LC Thessaloniki
   EΜΒ Auth
   IAESTE Thessaloniki
   IEEE φοιτητικό παράρτημα ΑΠΘ
   SpaceDot
   VROOM
   Panther
  

THMMY.gr Web

Helios_MultiScribbles2SMF Default ThemeSMFone_Blue

[Ανεβάζετε τα θέματα των εξετάσεων στον τομέα Downloads]

Είσαι πρωτοετής;... Καλώς ήρθες! Μπορείς να βρεις πληροφορίες εδώ. Βοήθεια για τους καινούργιους μέσω χάρτη.

Κατεβάστε εδώ το Android Application για εύκολη πρόσβαση στο forum.

Ανεβάζετε τα θέματα των εξετάσεων στον τομέα Downloads με προσοχή στα ονόματα των αρχείων!

[Πρόγραμμα Χειμερινής Εξεταστικής 2024-2025]

Πρόγραμμα Χειμερινής Εξεταστικής 2024-2025

[babyshark]

χωρις το as.characters σε μένα τρέχει κανονικά
ή κανω κατι λαθος;

[empargio]

Το εξηγεί στα βίντεο: επειδή έχει νούμερα και όχι κλάσεις (δλδ δεν έχουν ονόματα) , κάνει κάπως τεχνικά τις κλάσεις να έχουν ονόματα «1» και «0»

ok αλλα οταν το τρεχω χωρις τα as.characters βγαινει το ιδιο.....

[πανωλεθρία]

Στην εκδοση 4.0.3 της R, by default, δεν μου βγαζει αριθμηση στους αξονες των plots. Ξερει κανεις πως το αλλαζω, ωστε να το εμφανισω; Δεν εβγαλα ακρη μεσω του μαγικου google


edit Μπιγκόνια: fixed subject bug

[Numb3rs]

δες το documentation του

Code:

?axis

π.χ.

Code:

axis(side=1,at=c(1,20,30,50),labels=c("1975","1980","1985","1990"))

[πανωλεθρία]

δες το documentation του

Code:

?axis

π.χ.

Code:

axis(side=1,at=c(1,20,30,50),labels=c("1975","1980","1985","1990"))

Το βρηκα εν τελει. Ελειπαν καποιες βιβλιοθηκες (πιθανότατα η labeling) και με εσωτερικό restart του RStudio, όπως μας ζητάει σε κάποια installs ,δεν είχαν "περαστεί". Αλλά με χειροκίνητο κλείσιμο, ανοιγμα του app δούλεψε κανονικα. Θενκιου!

[empargio]

Παιδια σοσ ερώτηση! Τελικά με εκείνη τη διευκρίνηση στο Naive Bayes 3o Εργαστήρι που δε δούλευε η predict τι έγινε? (52.30 στο βίντεο) επειδη και σε μένα το βγάζει και δε μπορω να εφαρμόσω το μοντέλο ουσιστικα.....επίσης στο τελευταίο εργασήρι που έχει k-fold Cross Validation δεν το είπαμε έτσι>?

[xristosioan]

Παιδια σοσ ερώτηση! Τελικά με εκείνη τη διευκρίνηση στο Naive Bayes 3o Εργαστήρι που δε δούλευε η predict τι έγινε? (52.30 στο βίντεο) επειδη και σε μένα το βγάζει και δε μπορω να εφαρμόσω το μοντέλο ουσιστικα.....επίσης στο τελευταίο εργασήρι που έχει k-fold Cross Validation δεν το είπαμε έτσι>?

Ανανεώθηκε το pdf, κατέβασε το από το elearning και προσπάθησε ξανά

sent from mTHMMY 

[babyshark]

Παιδια σοσ ερώτηση! Τελικά με εκείνη τη διευκρίνηση στο Naive Bayes 3o Εργαστήρι που δε δούλευε η predict τι έγινε? (52.30 στο βίντεο) επειδη και σε μένα το βγάζει και δε μπορω να εφαρμόσω το μοντέλο ουσιστικα.....επίσης στο τελευταίο εργασήρι που έχει k-fold Cross Validation δεν το είπαμε έτσι>?

αν δεις το pdf του εργαστηριου εχει κανει τις αλλαγες για να λειτουργει,θελει να βαλεις το as.factor στο πρωτο ορισμα του model σου
K-fold δεν το εξηγησαν αλλα ειπαν να το δουμε(δε πιστευω να μπει ωστοσο)

[babyshark]

Κατι που με μπερδευει στα νευρωνικα
Όταν το learning rate ειναι μικρό αυτο συνεπαγεται σιγουρα οτι θα εχουμε περισσοτερες επαναληψεις εκπαιδευσης;γιατι ο Μιχαλης στο εργαστηριο αναφερει οτι υπαρχει ο κινδυνος να γινει κατι τετοιο και δεν καταλαβαινω αν ισχυει παντα

[panos98]

Κατι που με μπερδευει στα νευρωνικα
Όταν το learning rate ειναι μικρό αυτο συνεπαγεται σιγουρα οτι θα εχουμε περισσοτερες επαναληψεις εκπαιδευσης;γιατι ο Μιχαλης στο εργαστηριο αναφερει οτι υπαρχει ο κινδυνος να γινει κατι τετοιο και δεν καταλαβαινω αν ισχυει παντα

δεν ισχυει παντα  πχ αναλογα το training set

sent from mTHMMY  

[Φασολάκια με Πρόβειο]

Κατι που με μπερδευει στα νευρωνικα
Όταν το learning rate ειναι μικρό αυτο συνεπαγεται σιγουρα οτι θα εχουμε περισσοτερες επαναληψεις εκπαιδευσης;γιατι ο Μιχαλης στο εργαστηριο αναφερει οτι υπαρχει ο κινδυνος να γινει κατι τετοιο και δεν καταλαβαινω αν ισχυει παντα

Γενικά ισχύει. Γι'αυτό (και για άλλους λόγους) στην πράξη χρησιμοποιούνται adaptive τεχνικές που ξεκινάνε από κάποιο μεγαλύτερο learning rate και σταδιακά το μειώνουν. Στη γενική περίπτωση μικρότερο learning rate = περισσότερες επαναλήψεις μέχρι να συγκίνει το μοντέλο.

[sokolatas]

Εγώ πιστεύω ότι γενικά ισχύει τις περισσότερες φορές οπότε συμφωνώ με τον Φασολάκια και είναι καλός κανόνας να τον έχεις στο μυαλό σου κατά τη γνώμη μου. Ωστόσο υπάρχουν φορές θεωρητικά που δεν ισχύει κάτ εξαιρεσην. Όπως και να έχει όμως είμαστε εδώ για να πούμε τη γνώμη μας και να βοηθήσουμε ο ένας τον άλλον, οπότε ποστ του τύπου  ' βαριέμαι να εξηγώ παλι' δεν καταλαβαίνω τι νόημα έχουν.

edit xristosioan : Το θέμα έχει διευθετηθεί

sent from mTHMMY 

[babyshark]

Ευχαριστώ πολύ όσους μπήκαν στο κόπο να το εξηγήσουν ,το έπιασα 

[Judas Priest saved me]

Λοιπόν, επειδή όντως δεν έχει τόσο νόημα να πω την απάντηση ακόμα και αν είναι σωστή αν δεν εξηγήσω γιατί, θα κάνω μια προσπάθεια βραδυάτικα.

Μερικές φορές, όντως το να αυξήσεις το learning rate οδηγεί στο ίδιο αποτέλεσμα αλλά πιο γρήγορα.

Άλλες φορές όμως, εξαιτείας του μεγάλου learning rate, το μοντέλο κάνει "bounce" γύρω από το βέλτιστο σημείο και ως αποτέλεσμα το να μειώσουμε το learning rate μπορεί να οδηγήσει στο ίδιο αποτέλεσμα πιο γρήγορα ή ακόμα και να οδηγήσει σε καλύτερο αποτέλεσμα καθώς το μοντέλο φτάνει πιο κοντά στο ολικό ελάχιστο.

Επίσης, μερικές φορές αν το learning rate είναι αρκετά μεγάλο μπορεί να μην συγκλήνουμε καν σε κάποιο αποτέλεσμα.

Συνολικά, τα πράγματα δεν είναι καθόλου απλά (και υπάρχουν και άλλοι λόγοι που δεν ανέφερα). Άρα δεν μπορούμε σε καμία περίπτωση να κάνουμε τόσο γενικά statements του τύπου "η αύξηση/μείωση του learning rate μειώνει το χρόνο εκπαίδευσης".

[πανωλεθρία]

The learning rate controls how quickly the model is adapted to the problem. Smaller learning rates require more training epochs given the smaller changes made to the weights each update, whereas larger learning rates result in rapid changes and require fewer training epochs. από εδώ https://machinelearningmastery.com/understand-the-dynamics-of-learning-rate-on-deep-learning-neural-networks/.
Σε σχετική ερώτηση εγω θα απαντουσα με βαση αυτο παντως