با مجموعهها، منظم بمانید
ذخیره و دستهبندی محتوا براساس اولویتهای شما.
به طور کلی، دو راه برای آموزش یک مدل وجود دارد:
یک مدل استاتیک به صورت آفلاین آموزش داده می شود. یعنی دقیقا یک بار مدل را آموزش می دهیم و بعد مدتی از آن مدل آموزش دیده استفاده می کنیم.
یک مدل پویا به صورت آنلاین آموزش داده می شود. یعنی دادهها بهطور مداوم وارد سیستم میشوند و ما آن دادهها را از طریق بهروزرسانیهای مداوم در مدل قرار میدهیم.
آموزش استاتیک در مقابل پویا
پارادایم های سیستم ML: آموزش
مدل استاتیک - آموزش آفلاین
پارادایم های سیستم ML: آموزش
مدل استاتیک - آموزش آفلاین
مدل پویا -- آموزش آنلاین
پارادایم های سیستم ML: آموزش
مدل استاتیک - آموزش آفلاین
ساخت و آزمایش آسان - از قطار دسته ای و آزمایش استفاده کنید، تا زمانی که خوب شود تکرار کنید.
مدل پویا -- آموزش آنلاین
پارادایم های سیستم ML: آموزش
مدل استاتیک - آموزش آفلاین
ساخت و آزمایش آسان - از قطار دسته ای و آزمایش استفاده کنید، تا زمانی که خوب شود تکرار کنید.
هنوز نیاز به نظارت بر ورودی ها دارد
مدل پویا -- آموزش آنلاین
پارادایم های سیستم ML: آموزش
مدل استاتیک - آموزش آفلاین
ساخت و آزمایش آسان - از قطار دسته ای و آزمایش استفاده کنید، تا زمانی که خوب شود تکرار کنید.
هنوز نیاز به نظارت بر ورودی ها دارد
به راحتی اجازه دهید این کهنه شود
مدل پویا -- آموزش آنلاین
پارادایم های سیستم ML: آموزش
مدل استاتیک - آموزش آفلاین
ساخت و آزمایش آسان - از قطار دسته ای و آزمایش استفاده کنید، تا زمانی که خوب شود تکرار کنید.
هنوز نیاز به نظارت بر ورودی ها دارد
به راحتی اجازه دهید این کهنه شود
مدل پویا -- آموزش آنلاین
به تغذیه در داده های آموزشی در طول زمان ادامه دهید، به طور منظم نسخه به روز شده را همگام سازی کنید.
از اعتبار سنجی پیشرونده به جای آموزش و آزمایش دسته ای استفاده کنید.
پارادایم های سیستم ML: آموزش
مدل استاتیک - آموزش آفلاین
ساخت و آزمایش آسان - از قطار دسته ای و آزمایش استفاده کنید، تا زمانی که خوب شود تکرار کنید.
هنوز نیاز به نظارت بر ورودی ها دارد
به راحتی اجازه دهید این کهنه شود
مدل پویا -- آموزش آنلاین
به تغذیه در داده های آموزشی در طول زمان ادامه دهید، به طور منظم نسخه به روز شده را همگام سازی کنید.
از اعتبار سنجی پیشرونده به جای آموزش و آزمایش دسته ای استفاده کنید
نیاز به نظارت، بازگشت مدل و قابلیتهای قرنطینه داده دارد
با تغییرات سازگار می شود، از مسائل کهنگی اجتناب می شود
خلاصه سخنرانی ویدیویی
به طور کلی، نکات زیر بر تصمیم تمرین ایستا در مقابل پویا غالب است:
ساخت و آزمایش مدل های استاتیک آسان تر است.
مدل های پویا با تغییر داده ها سازگار می شوند. دنیا مکانی بسیار متغیر است. پیشبینیهای فروش که از دادههای سال گذشته ساخته شدهاند، بعید است که نتایج سال آینده را با موفقیت پیشبینی کنند.
اگر مجموعه دادههای شما واقعاً در طول زمان تغییر نمیکند، آموزش استاتیک را انتخاب کنید زیرا ساخت و نگهداری از آموزش پویا ارزانتر است. با این حال، بسیاری از منابع اطلاعاتی واقعاً در طول زمان تغییر میکنند، حتی منابعی با ویژگیهایی که فکر میکنید مانند سطح دریا ثابت هستند. نکته اخلاقی: حتی با آموزش ثابت، همچنان باید داده های ورودی خود را برای تغییر کنترل کنید.
به عنوان مثال، مدلی را در نظر بگیرید که برای پیش بینی احتمال خرید گل توسط کاربران آموزش دیده است. به دلیل فشار زمانی، مدل تنها یک بار با استفاده از مجموعه داده رفتار خرید گل در ماه های جولای و آگوست آموزش داده می شود. سپس این مدل برای ارائه پیشبینیها در تولید ارسال میشود، اما هرگز بهروزرسانی نمیشود. این مدل برای چندین ماه خوب کار می کند، اما پس از آن پیش بینی های وحشتناکی را در مورد روز ولنتاین انجام می دهد زیرا رفتار کاربر در آن دوره تعطیلات به طور چشمگیری تغییر می کند.