大致來說，訓練模型的方式有兩種：
- 靜態模型在離線時訓練。也就是說，我們只需要進行一次模型訓練
之後才會使用這個訓練模型一段時間
- 動態模型會在線上進行訓練。也就是說，資料會持續進入系統，並透過持續更新的方式將這些資料納入模型中。
靜態與動態訓練
機器學習系統模式：訓練
靜態模型 -- 離線訓練
動態模型 -- 線上訓練
機器學習系統模式：訓練
靜態模型 -- 離線訓練
- 易於建構及測試 -- 使用批次訓練和測試，直到沒問題為止。
動態模型 -- 線上訓練
機器學習系統模式：訓練
靜態模型 -- 離線訓練
- 易於建構及測試 -- 使用批次訓練和測試，直到沒問題為止。
- 仍然需要監控輸入內容
動態模型 -- 線上訓練
機器學習系統模式：訓練
靜態模型 -- 離線訓練
- 易於建構及測試 -- 使用批次訓練和測試，直到沒問題為止。
- 仍然需要監控輸入內容
- 簡單來說，我的成長故事不多
動態模型 -- 線上訓練
機器學習系統模式：訓練
靜態模型 -- 離線訓練
- 易於建構及測試 -- 使用批次訓練和測試，直到沒問題為止。
- 仍然需要監控輸入內容
- 簡單來說，我的成長故事不多
動態模型 -- 線上訓練
- 持續在訓練資料中提供動態饋給資料，並定期同步處理更新版本。
- 使用漸進式驗證，不要使用批次訓練和測試。
機器學習系統模式：訓練
靜態模型 -- 離線訓練
- 易於建構及測試 -- 使用批次訓練和測試，直到沒問題為止。
- 仍然需要監控輸入內容
- 簡單來說，我的成長故事不多
動態模型 -- 線上訓練
- 持續在訓練資料中提供動態饋給資料，並定期同步處理更新版本。
- 使用漸進式驗證，不要使用批次訓練和測試
- 需要監控、復原模型和資料隔離功能
- 可因應變化，避免過時的問題
視訊講座摘要
大致來說，以下幾點是靜態與動態訓練決策的主因：
- 靜態模型較容易建構及測試。
- 動態模型會根據不斷變化的資料進行調整。世界是無數變動的世界，根據去年資料建立的銷售預測，不太可能成功預測明年的結果。
如果資料集確實沒有隨著時間而變化，請選擇靜態訓練，因為建立和維護成本比動態訓練低。然而，許多資訊來源確實會隨著時間改變，即使是您認為具持續變動的地圖項目 (例如海平面) 也不例外。道德：即使進行靜態訓練，您仍須監控輸入資料的變化。
舉例來說，假設模型經過訓練，可預測使用者買花的可能性。因為時間壓力，在 7 月和 8 月期間，模型只會使用一系列花卉購買行為的資料集訓練一次。接著，模型就會出貨，以便在實際工作環境中提供預測，但不會更新。這個模型可以運作數個月，但會對情人節做出難以預測，因為這段期間的使用者行為會大幅變動。
