آموزش پویا (آنلاین).
گزینه های زیر را بررسی کنید.
کدام یک از عبارات زیر در مورد آموزش پویا (آنلاین) صادق است؟
با رسیدن داده های جدید، مدل به روز می ماند.
این مزیت اصلی آموزش آنلاین است - ما می‌توانیم با اجازه دادن به مدل برای آموزش داده‌های جدید در هنگام ورود، از بسیاری از مشکلات کهنگی جلوگیری کنیم.
نظارت بسیار کمی بر مشاغل آموزشی باید انجام شود.
در واقع، شما باید به طور مداوم مشاغل آموزشی را زیر نظر داشته باشید تا مطمئن شوید که آنها سالم هستند و طبق برنامه کار می کنند. همچنین به زیرساخت‌های پشتیبانی مانند توانایی بازگرداندن یک مدل به عکس قبلی در صورت بروز مشکل در آموزش، مانند کار باگ یا خرابی در داده‌های ورودی، نیاز دارید.
نظارت بسیار کمی بر داده های ورودی باید در زمان استنتاج انجام شود.
درست مانند یک مدل استاتیک و آفلاین، نظارت بر ورودی‌های مدل‌های به‌روزرسانی شده پویا نیز مهم است. ما احتمالاً در معرض خطر تأثیرات فصلی بزرگ نیستیم، اما تغییرات ناگهانی و بزرگ در ورودی‌ها (مانند از بین رفتن منبع داده بالادست) همچنان می‌تواند باعث پیش‌بینی‌های غیرقابل اعتماد شود.
آموزش استاتیک (آفلاین).
گزینه های زیر را بررسی کنید.
کدام یک از عبارات زیر در مورد آموزش استاتیک (آفلاین) صحیح است؟
با رسیدن داده های جدید، مدل به روز می ماند.
در واقع، اگر ما به صورت آفلاین تمرین کنیم، مدل هیچ راهی برای ترکیب داده های جدید در زمان رسیدن ندارد. اگر توزیعی که می‌خواهیم از آن بیاموزیم در طول زمان تغییر کند، می‌تواند منجر به کهنگی مدل شود.
شما می توانید مدل را قبل از استفاده از آن در تولید بررسی کنید.
بله، آموزش آفلاین فرصت کافی برای بررسی عملکرد مدل قبل از معرفی مدل در تولید می دهد.
آموزش آفلاین به نظارت کمتری بر مشاغل آموزشی نسبت به آموزش آنلاین نیاز دارد.
به طور کلی، الزامات نظارت در زمان آموزش برای آموزش آفلاین کمتر است، که ما را از بسیاری از ملاحظات تولید محافظت می کند. با این حال، هر چه بیشتر مدل خود را آموزش دهید، سرمایه‌گذاری بیشتری باید در نظارت انجام دهید. همچنین باید به طور منظم اعتبارسنجی کنید تا مطمئن شوید که تغییرات در کد شما (و وابستگی‌های آن) بر کیفیت مدل تأثیر منفی نمی‌گذارد.
نظارت بسیار کمی بر داده های ورودی باید در زمان استنتاج انجام شود.
در مقابل، شما نیاز به نظارت بر داده های ورودی در زمان ارائه خدمات دارید. اگر توزیع های ورودی تغییر کند، پیش بینی های مدل ما ممکن است غیر قابل اعتماد شوند. برای مثال تصور کنید، مدلی که فقط بر اساس داده‌های لباس تابستانی آموزش دیده است، ناگهان برای پیش‌بینی رفتار خرید لباس در فصل زمستان استفاده می‌شود.