Dinamik (Çevrimiçi) Eğitim
Aşağıdaki seçeneklere göz atın.
Dinamik (online) eğitim ile ilgili olarak aşağıdaki ifadelerden hangisi doğrudur?
Yeni veriler geldikçe model güncel kalır.
Bu, online eğitimin birincil avantajıdır. Modelin yeni veriler geldikçe eğitilmesine olanak tanıyarak eskiliğin birçok sorununu önleyebilir.
Eğitim işlerinin çok az izlenmesi gerekir.
Aslında, sağlıklı ve amaçlandığı şekilde çalıştıklarından emin olmak için eğitim işlerini sürekli olarak takip etmeniz gerekir. Ayrıca, eğitimde bir şeyler ters giderse (hatalı bir iş veya giriş verilerinin bozulması gibi) bir modeli önceki anlık görüntüye geri alabilmek gibi destekleyici bir altyapıya da ihtiyacınız olacaktır.
Çıkarım zamanında giriş verilerinin çok az izlenmesi gerekir.
Statik, çevrimdışı bir modelde olduğu gibi, dinamik olarak güncellenen modellere yapılan girişleri izlemek de önemlidir. Büyük mevsimsel etkilere maruz kalma olasılığımız yüksek olmasa da girişlerdeki ani, büyük değişiklikler (bir yukarı akış veri kaynağının durması gibi) yine de güvenilir olmayan tahminlere neden olabilir.
Statik (Çevrimdışı) Eğitim
Aşağıdaki seçeneklere göz atın.
Statik (çevrimdışı) eğitim ile ilgili aşağıdaki ifadelerden hangisi doğrudur?
Yeni veriler geldikçe model güncel kalır.
Aslına bakarsanız çevrimdışı eğitim yaparsak model, yeni veriler geldikçe bunları dahil edemez. Bu durum, zaman içinde gerçekleşen değişikliklerden öğrenmeye çalıştığımız dağıtımın geçersiz olmasına yol açabilir.
Modeli üretimde uygulamadan önce doğrulayabilirsiniz.
Evet, çevrimdışı eğitim, modeli üretime sunmadan önce model performansını doğrulamak için geniş bir fırsat sunar.
Çevrimdışı eğitim, online eğitime kıyasla eğitim işlerinin daha az izlenmesini gerektirir.
Genel olarak, eğitim zamanındaki izleme gereksinimleri, çevrimdışı eğitim için daha mütevazıdır. Bu da bizi üretimle ilgili pek çok konudan izole eder. Ancak modelinizi ne kadar sık eğitirseniz izleme için yapmanız gereken yatırım o kadar yüksek olur. Ayrıca, kodunuzda (ve bağımlılıklarında) yapılan değişikliklerin model kalitesini olumsuz yönde etkilemediğinden emin olmak için düzenli olarak doğrulama yapabilirsiniz.
Çıkarım zamanında giriş verilerinin çok az izlenmesi gerekir.
Buna karşılık, giriş verilerini sunum sırasında izlemeniz gerekir. Giriş dağılımları değişirse modelimizin tahminleri güvenilir olmayabilir. Örneğin, yalnızca yaz aylarındaki kıyafet verilerinin aniden kışın kıyafet satın alma davranışını tahmin etmek için kullanılmasıyla eğitilen bir modelin eğitildiğini düşünün.