Träningsdata, features och etiketter
Kunna peka ut features (indata) och etikett (facit) i en tabell, förklara vad ett träningsexempel är, och förstå varför fel eller snedvridna exempel ger en dålig modell.
Förkunskaper
- BData från vardagenkrävs
Vardagsförklaring
För att lära en dator känna igen mogna bananer visar du den många bananer och säger "mogen" eller "omogen" om varje. Varje banan med sitt facit är ett träningsexempel.
Det datorn får titta på — färg, fläckar, mjukhet — kallas features. Facit — mogen eller inte — kallas etikett (label).
Intuition
| färg | fläckar | mjukhet | mogen? |
|---|---|---|---|
| gul | många | mjuk | ja |
| grön | inga | hård | nej |
| gul | få | fast | ja |
Kolumnerna till vänster är features, den fetstilta är etiketten. Modellen lär sig sambandet features → etikett.
Om nästan alla exempel är gula bananer lär sig modellen "gul = mogen" och missar att en gul men stenhård banan inte är mogen. Det är snedvriden data — modellen blir aldrig bättre än exemplen den fått.
Behärskning innebär
- Identifierar features och etikett i ett dataset
- Ger ett exempel på snedvriden träningsdata och dess konsekvens
Logga in för att göra övningarna och bygga upp din behärskning.
Källor
Leder till
Del av målen (35)
- Förstå vad AI är — och vad den inte är
- Data: samla, städa, dokumentera
- Finjustera och driva egna modeller
- AI, etik och samhälle
- Klassisk maskininlärning i praktiken
- Träna neuronnät på riktigt
- Byggare — samla data, träna en modell och testa AI kritiskt
- Se och höra med AI
- AI-tjänst i drift
- Klassisk ML på riktigt
- Bygg ett RAG-system som går att lita på
- Träna ditt första neuronnät
- Ansvarsfull AI i praktiken
- Frontier Lab — självständigt forskningsprojekt
- Evals i praktiken
- AI-säkerhet i praktiken
- Träna en agent med belöning
- Språkmodeller i praktiken
- Bygg en agent som går att lita på
- Bygg ett minnessystem för en agent
- Bygg en AI-tjänst som håller i drift
- Multimodala system
- AI i produktion
- Tolka en språkmodell
- Bygg ett NLP-system end-to-end
- Finjustera en modell med LoRA
- Djup reinforcement learning
- Bildklassificering med faltningsnät
- Kör modeller billigare: kvantisering
- Förstå hur generativ AI fungerar
- Bygg en transformer från grunden
- Generativa modeller i djupet
- Bygg ett röstgränssnitt
- Reproducera ett paper
- Statistik för experiment