Βήματα εκπαίδευσης μοντέλου ΑΙ

Βήματα.

1. Data, πολύ data.
2. Data Evaluation/Validation. θα πω 2 παραδείγματα.
α) Εικόνες. Αν πρόκειτε για αναγνώριση εικονας. Πριν αρχίσεις να περνάς την εικόνα από το μοντέλο σου να έχεις κεντράρει το θέμα της, και να το έχεις κόψει στις διαστάσεις του μοντέλου (πχ 224*224 px).
β) Πρίν περάσεις τον χρήστη από το μοντέλο πρέπει να δεις ότι αυτός είναι έγκυρος χρήστης και όχι κάποιο bot.
3. Data Padding. Προσθήκη νέων εξωγενών παραγόντων στο μοντέλο. Για παράδειγμα καιρός, χρηματιστήριο, πολιτική συγκυρία.
4. Data Synthesize. Δημιουργία νέων παραμέτρων από τις ήδη υπάρχουσες. Πχ. Ένα δείγμα του μοντέλου αγοράζει 4 συγκεκεριμένους μήνες, εως 50 ευρώ, όταν η Lady Gaga ήταν πρώτη στα charts.
5. Data variable weights. Πόσο σημαντική είναι η κάθε παράμετρος στο μοντέλο? Θα μπορούσε να βγει το αποτέλεσμα συνδυαστικά από το 4.
6. Data split. Ποιος μέρος του data θα χρησιμοποιήσεις για επικαιροποίηση των αποτελεμάτων και πώς?
7. Train model and predict. Πέφτεις μέσα? Παίζεις με παραμέτρους και συγκρίνεις αποτελέσματα.