Оптимизируйте свои подборки
Сохраняйте и классифицируйте контент в соответствии со своими настройками.
Вообще говоря, есть два способа обучения модели:
Статическая модель обучается в автономном режиме. То есть мы обучаем модель ровно один раз, а затем какое-то время используем эту обученную модель.
Динамическая модель обучается онлайн. То есть данные постоянно поступают в систему, и мы включаем эти данные в модель посредством постоянных обновлений.
Статическая и динамическая тренировка
Парадигмы системы ML: обучение
Статическая модель — обучение в автономном режиме
Парадигмы системы ML: обучение
Статическая модель — обучение в автономном режиме
Динамическая модель — обучение онлайн
Парадигмы системы ML: обучение
Статическая модель — обучение в автономном режиме
Легко создавать и тестировать — используйте пакетное обучение и тестирование, повторяйте до тех пор, пока не получите результат.
Динамическая модель — обучение онлайн
Парадигмы системы ML: обучение
Статическая модель — обучение в автономном режиме
Легко создавать и тестировать — используйте пакетное обучение и тестирование, повторяйте до тех пор, пока не получите результат.
Все еще требует мониторинга входов
Динамическая модель — обучение онлайн
Парадигмы системы ML: обучение
Статическая модель — обучение в автономном режиме
Легко создавать и тестировать — используйте пакетное обучение и тестирование, повторяйте до тех пор, пока не получите результат.
Все еще требует мониторинга входов
Легко позволить этому устареть
Динамическая модель — обучение онлайн
Парадигмы системы ML: обучение
Статическая модель — обучение в автономном режиме
Легко создавать и тестировать — используйте пакетное обучение и тестирование, повторяйте до тех пор, пока не получите результат.
Все еще требует мониторинга входов
Легко позволить этому устареть
Динамическая модель — обучение онлайн
Продолжайте вводить данные обучения с течением времени, регулярно синхронизируйте обновленную версию.
Используйте прогрессивную проверку вместо пакетного обучения и тестирования.
Парадигмы системы ML: обучение
Статическая модель — обучение в автономном режиме
Легко создавать и тестировать — используйте пакетное обучение и тестирование, повторяйте до тех пор, пока не получите результат.
Все еще требует мониторинга входов
Легко позволить этому устареть
Динамическая модель — обучение онлайн
Продолжайте вводить данные обучения с течением времени, регулярно синхронизируйте обновленную версию.
Используйте прогрессивную проверку вместо пакетного обучения и тестирования.
Нужны возможности мониторинга, отката модели и карантина данных.
Будет адаптироваться к изменениям, избежать проблем с устареванием
Краткое содержание видеолекции
В общих чертах, следующие моменты доминируют в выборе статической или динамической тренировки:
Статические модели легче создавать и тестировать.
Динамические модели адаптируются к изменяющимся данным. Мир — очень изменчивое место. Прогнозы продаж, построенные на основе прошлогодних данных, вряд ли смогут успешно предсказать результаты следующего года.
Если ваш набор данных действительно не меняется со временем, выберите статическое обучение, поскольку его дешевле создавать и поддерживать, чем динамическое обучение. Однако многие источники информации действительно меняются со временем, даже те, характеристики которых, по вашему мнению, такие же постоянные, как, скажем, уровень моря. Мораль: даже при статическом обучении вы все равно должны отслеживать входные данные на предмет изменений.
Например, рассмотрим модель, обученную прогнозировать вероятность того, что пользователи купят цветы. Из-за нехватки времени модель обучается только один раз с использованием набора данных о покупательском поведении цветов в июле и августе. Затем модель отправляется для использования в производстве, но никогда не обновляется. Модель работает нормально в течение нескольких месяцев, но затем делает ужасные прогнозы на День святого Валентина , поскольку поведение пользователей в этот праздничный период резко меняется.
