Me parece que estás haciendo una pregunta equivocada.
Lo más importante es definir su tarea de predicción, entradas, salidas y métricas de calidad.
A partir de su ejemplo, es fácil predecir que irá a dormir ~ 11pm. (NN sería una exageración para predecir exactamente eso.) Howerver, ¿cómo sabría si se olvida de dormir o no? Necesita al menos algunos otros datos (por ejemplo, su ubicación u otros factores desencadenantes), pero aún no ha proporcionado capacitación.
- Después de lograr una precisión de aproximadamente el 82% en los datos de prueba mediante regresión logística, ¿cómo puedo estar seguro / seguro de que mi algoritmo se generalizará bien para toda la población?
- ¿Es posible que una computadora aprenda a distinguir gatos de perros de solo un conjunto de imágenes sin que le digamos qué imágenes son gatos y cuáles son perros, o incluso si hay cosas como gatos y perros, y si es así, cómo es exactamente esto? ¿hecho?
- En el procesamiento del lenguaje natural para realizar análisis semántico, ¿es útil y necesario generar un árbol de análisis?
- ¿Qué significa decir que las redes neuronales convolucionales comparten cálculos comunes a las regiones superpuestas?
- Cómo seleccionar efectivamente un tamaño de lote óptimo para la actualización de parámetros de aprendizaje profundo, basado en las especificaciones de GPU
El punto es: no ha definido claramente su problema y el esquema de datos. Hasta entonces, no tiene sentido hablar de las técnicas de solución específicas.
Re. depende de si su modelo NN funcionaría mejor en el dispositivo del usuario o en la nube. Si el modelo es pequeño en relación con la entrada (que se envía al servidor), tiene más sentido predecir en el dispositivo. También tiene sentido predecir en el dispositivo si la predicción es crítica y el usuario no puede confiar en la conectividad.