ייצור מערכות למידת מכונה: בחינת הידע

בחרת להשתמש בלמידת מכונה כדי לבנות מודל סיווג שיכול לחזות את המראה של חדי-קרן. במערך הנתונים מפורטים 10,000 מראה של חד-קרן ו-10,000 דמויות של חד-קרן. מערך הנתונים מכיל את המיקום, השעה ביום, הגובה, הטמפרטורה, הלחות, כיסוי העצים, הנוכחות של קשת בענן ועוד כמה מאפיינים.

אחרי השקת הכלי לחיזוי מראה חד-קרן, יהיה עליך לשמור על רעננות המודל באמצעות אימון מחדש על נתונים חדשים. מכיוון שאתם אוספים יותר מדי נתונים חדשים לאימון, אתם מחליטים להגביל את נתוני האימון על ידי דגימת הנתונים החדשים בפרק זמן מסוים. כמו כן, עליך להביא בחשבון את הדפוסים היומיים והשנתיים במראה של חדי-קרן. איזה חלון זמן מתאים לך?

יום אחד, כי חלון גדול יותר יגרום לכמות גדולה של נתונים ולמודל שלכם ייקח יותר מדי זמן לאמן אותו.

תוך שבוע, כדי שמערך הנתונים לא יהיה גדול מדי אבל עדיין תוכלו להתאים דפוסים.

שנה אחת, כדי להבטיח שלא תהיה הטיה של המודל לפי דפוסים יומיים או שנתיים.

הטיה של הצגת האימון: הפורמט של נתוני ההצגה השתנה בהדרגה בשלב מסוים אחרי שהמודל התחיל להציג מודעות.

השתמשתם ברמת הדיוק כמדד במהלך האימון.

המודל שלך לא פעיל.

אף אחת מהתשובות הנ"ל.

לא היו לך מספיק דוגמאות אימון לאנטארקטיקה.

השתמשתם באימון דינמי במקום באימון סטטי.

המודל שלך מיושן.

כל אלו שהוזכרו למעלה.

האיכות הגבוהה של החיזויים מובילה את המשתמשים למצוא בקלות חד-קרן, וזה משפיע על ההתנהגות עצמה של חדי הקרן.

קשה לבנות מודלים של אזורים עירוניים.

מופעים חד-קרן מדווחים מספר פעמים באזורים מאוכלסים בצפיפות, ומטים את נתוני האימון שלך.

להחליף את המודל מאימון דינמי לאימון סטטי.

להחליף את המודל מהסקה דינמית להסקה סטטית.

לבדוק את איכות המודל לפני הצגת המודעות.

אף אחד מהפתרונות שלמעלה לא יעזור.