深度学习，关于使用哪种架构的建议 [关闭]答案

【问题标题】：Deep Learning, recommandation regarding which architecture to use [closed]深度学习，关于使用哪种架构的建议 [关闭]
【发布时间】：2018-04-13 22:27:49
【问题描述】：

我目前正在开发一个应用程序，让心理学家可以管理他们的日程安排和预算。作为概念证明，我想创建一个智能预约服务。可能有3种情况：

I know the client, I need to guess the day and time for his next appointment
I know the day, I need to guess which client and at what time
I know nothing, I need to guess which client, which day and what time

我目前正在学习深度学习算法，只是为了获得一些理论知识，但这有点不知所措。

我知道我可以从约会中提取一些特征：

Day preference in the week (always on monday, say)
Reccurence (every two weeks or such)
Nb of days since last appointment
Whether the client was present or not to his last appointment
etc..

我知道你可以训练神经网络来寻找特征本身的“特征提取”之类的东西，但所有示例都是指图像识别或语音分析。

我希望算法针对现有和未来的约会（存储在 MongoDB 中）进行训练。我还希望算法可以实时训练，也就是说，如果它向用户提出约会并且用户接受了它，那么它应该进行积极的训练。另一方面，如果用户导航或更改任何参数，算法应该相应地调整其权重。

我也知道我应该首先从数据库中提取数据，这些数据将被转换为向量或矩阵，然后算法应该在这些数据上进行训练。

这是正确的吗？我该如何开始，我需要什么样的架构？

【问题讨论】：

标签： algorithm machine-learning neural-network deep-learning

【解决方案1】：

由于它是 POC，我假设您没有大型数据集，我不建议您使用深度学习，从较小的决策树算法开始，当您拥有大量数据时，移动到深度模型。为什么？调整树型模型并向客户解释它总是更容易。此外，正如 Andrew NG 教授所建议的，深度学习需要至少 10 万次观察才能学习和表现良好。对于模拟数据集，它总是不可预测的。

【讨论】：

嘿异常值！感谢您的回答！假设我有我一年的数据~1000 条记录。我不能通过一遍又一遍地呈现相同的数据集来训练深度网络吗？假设包含有关过去约会等信息的培训记录，我可以生成如下真实数据：record: date, time, client, nbDaysSinceLastAppointment, nLastWeekAppointments 知道 nLastAppointments 将是过去一周的数据。这样，我可以递归地将单个约会与一个或多个历史周匹配？
不，通过重复，您无法创建更大的数据，尽管您可以使用更高的学习率数据集并使用多个 epoch。你应该检查你没有过度训练/过度拟合。如果你这样做了，你可以在这种情况下使用 ResNets。