Ardışık düzen testi yönergeleri Colab'da gösterilemez. Bunun yerine aşağıdaki alıştırmalar yönergelerin uygulanmasına yardımcı olur. Bir sonraki sayfada, yönergelerin uygulanmasına ilişkin kaynaklar açıklanmaktadır.
Aşağıdaki soruların yanıtlarını genişletmek için seçiminizi tıklayın.
Tek boynuzlu at görünümü tahmin aracını kullanıma sunduktan sonra yeni verilerle yeniden eğiterek tahmininizi güncel tutmanız gerekir. Üzerinde çalışılacak çok fazla yeni veri topladığınızdan, yeni verileri belirli bir zaman aralığında kullanarak eğitim verilerini sınırlandırmaya karar verirsiniz. Tek boynuzlu at görünümlerinin günlük ve yıllık modellerini de hesaba katmanız gerekir. Ayrıca, en hızlı yeni model sürümlerini üç ayda bir kullanıma sunabilirsiniz.
Hangi zaman aralığını seçersiniz?
Bir gün, daha büyük bir pencere çok fazla verinin ortaya çıkmasına ve modelinizin eğitilmesinin çok uzun sürmesine neden olacağından.
Yanlış. Veri örnekleme hızını, veri kümesinin boyutunu sınırlandıracak şekilde ayarlayabilirsiniz. Modelinizi yalnızca üç ayda bir güncelleyebileceğiniz düşünüldüğünde, bir günlük veriyle eğitilmiş bir model kademeli olarak eskir.
Bir hafta süreyle, veri kümenizin çok büyük olmamasına rağmen yine de kalıpları iyileştirebilirsiniz.
Yanlış. Veri örnekleme hızını, veri kümesinin boyutunu sınırlandıracak şekilde ayarlayabilirsiniz. Modelinizi yalnızca üç ayda bir güncelleyebileceğiniz için bir hafta boyunca toplanan veriler üzerinde eğitilmiş bir model, yavaş yavaş eskir.
Bir yıl boyunca, modelinizin günlük veya yıllık modellere ağırlık vermediğinden emin olun.
Doğru! Modelinizin tüm senaryolarda tahmin etmeyi öğrenmesi için temsili bir veri kümesi seçmelisiniz.
Tek boynuzlu at görünümü tahmin aracını kullanıma sundunuz. Çok iyi çalışıyor. Tatile çıkar ve üç hafta sonra model kalitenizin önemli ölçüde düştüğünü görürsünüz. Tek boynuzlu at davranışının üç hafta içinde belirgin şekilde değişme olasılığının düşük olduğunu varsayalım. Kalitedeki düşüşün en olası nedeni aşağıdakilerden hangisidir?
Eğitim sunma sapması.
Doğru. Tek boynuzlu at davranışı değişmemiş olsa da, eğitim verileri toplandıktan sonra sunum verilerindeki temel veri raporlama veya veri biçimlendirmesi değişmiş olabilir.
Yayın verilerini eğitim verilerinin veri şemasına göre kontrol ederek potansiyel eğitim sunma sapmasını tespit edin.
Model kalitesini sabit bir eşikle test etmeyi unuttunuz.
Yanlış. Model kalitesini test etmek, kalitedeki düşüşü önlemeye yardımcı olabilir ancak düşüşün nedenini açıklayamaz.
Modeliniz eski.
Yanlıştır. Önceki soruda belirtildiği gibi, eğitim verilerinizin tek boynuzlu at davranışının tüm döngülerini kapsadığı varsayılır.
Antarktika'yla ilgili tahminleri izlemeye karar veriyorsunuz. Burada yeterli eğitim verisi yok. Tahmin kaliteniz, özellikle kış aylarında tek seferde birkaç gün boyunca gizemli bir şekilde düşer. Bunun nedeni nedir?
Çevreyi etkileyen bir faktör.
Doğru. Antarktika'daki fırtınaların tahmin kalitenizdeki düşüşlerle ilişkili olduğunu keşfediyorsunuz. Bu fırtınalarda tek boynuzlu at davranışı değişir. Ayrıca, Antarktika'daki fırtınalar sırasında veri toplamak imkansızdır. Bu nedenle, modeliniz bu koşullar için antrenman yapamaz.
Modeliniz eskir.
Yanlış. Bu neden doğru olsaydı, yalnızca birkaç gün boyunca düşüş yaşayıp modeliniz eskidiğinde kalite sürekli düşerdi.
Gerek yok. Makine öğrenimi modellerinin yapısında rastgelelik vardır.
Yanlış. Model kaliteniz değişiklik gösteriyorsa bunun nedenini araştırmalısınız. Tekrarlanabilirliği artırmak için model eğitiminde rastlantısallığı ortadan kaldırmaya çalışın.
Tek boynuzlu at görünümü tahminciniz bir yıldır çalışır. Birçok sorunu çözdünüz ve kaliteniz yüksek. Ancak küçük ama kalıcı bir sorun olduğunu fark ettiniz. Şehir içi bölgede model kaliteniz biraz daha düştü. Bunun nedeni nedir?
Tahminlerinizin yüksek kalitede olması, kullanıcıların tek boynuzlu atları kolayca bulmasına neden olur. Tek boynuzlu at görünümü bu davranıştan etkilenir.
Doğru. Unicornlar, kentsel bölgelerdeki davranışlarını değiştirerek
artan ilgiye yanıt verdiler. Modelinizin tahminleri, değişen davranışlara uyum sağlarken tek boynuzlu atların davranışları değişmeye devam eder. Modelinizin davranışının, eğitim verilerinin kendisini etkilediği bu duruma "geri bildirim döngüsü" adı verilir.
Tek boynuzlu at davranışındaki değişikliklere karşılık gelen sunum verilerindeki değişiklikleri tespit etmek için eğitim sunma sapmanızı algılamayı değiştirmeyi denemeniz gerekir.
Tek boynuzlu atlar, kalabalık nüfuslu alanlarda birden fazla kez bildirilir ve eğitim verilerinizi çarpıtır.
Yanlış. Bunun nedeni, bu sapmanın lansmandan itibaren kalitenizi düşürmesi olabilir.
Şehir alanlarını modellemek zordur.
Yanlış. Şehirdeki alanlarda modeli tahmin etme konusunda sorun yaşanıyorsa kalite, lansmandan sonra düşüşe geçmek yerine düşük olan kaliteye başlar.