Der beste Weg, um Ihr Modell während des Trainings im Auge zu behalten, ist die Verwendung von TensorBoard, einer browserbasierten Anwendung, die Sie lokal ausführen können und die Ihnen Folgendes bietet: Wir lernen am besten durch Assoziationen. Es ist leicht zu verstehen, sich daran zu erinnern und neue Konzepte beizubehalten, wenn wir die Punkte verbinden und zugrunde liegende Muster entdecken können. Beispielsweise ist es leicht, sich eine Liste mit Namen von Nutztieren zu merken, als eine Liste mit Namen zufälliger Objekte, die nicht miteinander verbunden sind. Sie können nach etwa einem Monat Folge-E-Mails an Die Auszubildenden senden, um wichtige Lernpunkte zu stärken. Sie können Nachschulungen nach der Schulung organisieren, um zusätzliche Lektionen anzubieten, oder diese Möglichkeiten nutzen, damit die Auszubildenden ihre Fähigkeiten üben oder ihre Erfahrungen besprechen können, während sie versuchen, ihr Wissen am Arbeitsplatz anzuwenden. Als jemand, der sich um den Wohlstand Ihres Unternehmens kümmert, möchten Sie, dass Ihre Mitarbeiter das aus den Schulungsprogrammen erworbene Wissen anwenden können, um echte Probleme am Arbeitsplatz zu lösen. Sie haben Zeit, Geld und Mühe investiert, um Ihre Mitarbeiter auszubilden; Sie möchten sicherstellen, dass sie es tun und nicht nur Theorien rezitieren, Statistiken zitieren und Fallstudien neu erzählen. Sie möchten, dass Ihre Mitarbeiter herausfinden können, was mit einer Maschine nicht stimmt, und sie beheben können, als nur die Tipps zur Fehlerbehebung zu kennen. Sie können einen fehlerfreien Lern- und Transferprozess erleichtern, indem Sie diese Maßnahmen noch vor Beginn des Trainingsprogramms ergreifen. Der Lernprozess geht noch lange nach dem Training weiter. Der Zeitraum kurz nach dem Ereignis (nennen Sie es einen eLearning-Kurs oder eine von einem Kursleiter geleitete Sitzung) bietet viele Möglichkeiten, die Sie nutzen können, um den Lernenden zu helfen, das Material zu zementieren.
So geht`s: So teilen wir Daten in zwei Sätze ein, normalerweise teilen wir Daten auf, in denen 70% der Daten für das Training des Modells verwendet werden, Algorithmen extrahieren die wichtigen Muster aus den bereitgestellten Daten und erstellen ein Modell. Der Testsatz enthält 30 % der gesamten Daten und wird dann verwendet, um die Leistung des Modells zu überprüfen, d. h., wie genau das Modell die Ergebnisse vorhersagt. Wenn Sie das Modell für relativ große Datasets trainieren, ist es wichtig, Prüfpunkte Ihres Modells in regelmäßigen Abständen zu speichern. Mehrere Studien haben die Bedeutung der wiederholten Praxis betont, um die neu erworbenen Fähigkeiten zu zementieren.