vertaisarviointi

[JHNUL]

Projekti ladattu 19.8, vika kommitti 17c1399

Erittäin korkeatasoinen projekti! 👍🏽 👍🏽

Itsellä ensikosketus Jupyter notebookkeihin, tuo VSCode plugari oli varsin näppärä. Kokeilin myös Anacondan kanssa ja hyvinhän projekti toimi. Kokeilin ensin oletuksilla, mutta mallin treenaaminen kesti melko kauan, niin pienensin opetuskierroksia kymmeneen, jolla silläkin tuli aika hyviä tuloksia ainakin Sigmoidilla.

Aktivaatiofunktioiden vertailu on helppoa ja model.fit() argumentteja pääsee vääntelemään näin halutessaan.

Koodi on todella selkeää, luokkien ja metodien nimet ovat kuvaavat ja johdonmukaiset. Testit menivät läpi ja testikattavuus näyttäisi olevan erittäin korkea.

Koska projekti on koodiltaan mielestäni erittäin laadukas, katselmoinnissa on otettu ihan pikkujuttujakin huomioon.

Muutama huomio/ehdotus:

• neural_network notebook: kun neuroverkkoa on treenattu eri aktivaatiofunktioilla, tulostuu epochs ja activation function kuvaajat tulosten alle automaattisesti, mietin saisiko tähän myös ne numerokohtaiset tulokset automaattisesti, sillä nekin olivat kiinnostavia.

• src/test_activation_functions.py#test_relu() ja test_relu_derivative() ovat duplikaatteja sisällöltään, ReakyReLu ja Tanh käyttämättömiä importteja

• src/test_utilities.py split_every metodin testaamista voisi jatkaa n arvoilla, jotka ovat syötelistan pituuteen asti ja yli

• testikattavuusraportista voisi jättää itse testifilet pois, pytest-cov dokumentaation ohjeiden mukaan onnistui https://pytest-cov.readthedocs.io/en/latest/config.html?highlight=excluded.

[hypatrik]

Kiitos katselmoinnista ja kommenteista!

• Testisetti pitää sisällään 10 000 numeroa ja oikeaa vastausta. Kaikkien visualisoiminen ei välttämättä olisi mielekästä. Mietinkin, että voisin jonkinlaisen aggregaatin muodostaa, kuten tilastoja mitkä numerot menevät väärin ja visualisoida väärät missä suurin luottamus (confidence).
• Kiitos! Pitää korjata!
• Hyvä huomio! Lisätään
• Toden totta, kiitos linkistä!