El contexto es importante, pero presumiblemente de lo que estamos hablando aquí es del análisis predictivo de la transmisión de datos o del análisis predictivo en tiempo real. Los algoritmos tradicionales para el aprendizaje automático requieren tiempo para procesar un conjunto de datos para crear un modelo con el que se puedan comparar los puntos de datos futuros. Dependiendo del tipo de algoritmo de ML que esté utilizando, este “entrenamiento” puede ser bastante costoso / lento
Por lo tanto, cuando la gente dice aprendizaje automático en tiempo real
- Quieren un modelo que tenga en cuenta la historia reciente cuando haga sus predicciones.
- Quieren un modelo que esté evolucionando. Es decir, quieren que el modelo “cambie” a medida que los datos se mueven a través de la tubería, para que la capacitación (es decir, la reentrenamiento) sea parte del proceso
En los negocios, el # 2 es probablemente el contexto para el aprendizaje automático en tiempo real. El uso de puntos de datos de hace un año, o incluso hace un mes, podría no ser válido ya que las condiciones y circunstancias comerciales cambian rápidamente.
- ¿El descenso de gradiente de lote completo, con potencia de computadora ilimitada, es siempre mejor que el descenso de gradiente de mini lote?
- ¿Cuál es la diferencia entre la regresión logística y Naive Bayes?
- ¿Cuáles son algunas aplicaciones del aprendizaje automático en la industria de la geología y la energía?
- Podría ser el primer experto en aprendizaje automático en una empresa como consultor o a tiempo completo. En cualquier caso, ¿cuál debería ser mi tasa?
- ¿Cuáles son algunas implementaciones geniales de aprendizaje automático?
