Перетащи примеры к подходящему виду модели. Статические

Здорово. Чтобы точно выполнить задачу «перетащи примеры к подходящему виду модели. Статические», мне нужны сами примеры (текст или изображение). Сейчас в чате их не видно. Пока что могу показать как работать с этим и привести примеры, чтобы ты понял, как классифицировать. Как только пришлешь конкретные примеры, перетащу их в категорию «Статические» и поясню каждый шаг.

Что значит «Статическая» модель

• Статическая модель — это та, чьи параметры после обучения не меняются во время использования (inference). Вид отображения input -> output фиксирован иDeterministic, без запоминания состояния между запросами.
• Примеры признаков статичности:
  • Модель обучена один раз, потом веса зафиксированы.
  • При выводе на разные запросы даёт одинаковый ответ при одинаковом входе.
  • Нет состояния, которое хранится между запросами (нет памяти, контекста или временных зависимостей).
• Примеры, часто считающиеся статическими (после обучения): линейная регрессия, логистическая регрессия, дерево решений, SVM с фиксированными опорными векторами, наивный Байес, k-средних после обучения, сверточная нейросеть с фиксированными весами после тренировки.

Как определить, что пример подходит под «Статические» или нет

1. Есть ли хранение состояния между запросами? (помнит ли модель прошлые входы/выходы)
   • Да — не статическая.
   • Нет — может быть статическая.
2. После обучения веса/параметры уже не меняются во время использования?
   • Да — скорее статическая.
   • Нет — не statическая.
3. Модель учитывает последовательность времени или контекст (например, RNN, LSTM, Transformer при генерации по кадрам/последовательностям)?
   • Да — не статическая.
   • Нет — возможно статическая.
4. Нужна ли дополнительная адаптация под новые данные в режиме инференса (online learning, самообучение)?
   • Да — не статическая.
   • Нет — возможно статическая.

Примеры для иллюстрации (для тренировки навыка классификации)

• Пример A: Линейная регрессия, обученная один раз, затем фиксированные веса для предсказания цены по площади. Оценка: Статическая.
• Пример B: Рекуррентная нейросеть, которая учитывает предыдущее состояние для очередной оценки на последовательности. Оценка: Динамическая.
• Пример C: K-средних после окончательного обучения — определенные центры кластеров фиксированы. Оценка: Статическая.
• Пример D: Онлайн-обучение на каждом новом примере, веса постоянно обновляются во время инференса. Оценка: Динамическая.
• Пример E: SVM с фиксированными опорными векторам и гиперпараметрами после обучения. Оценка: Статическая.
• Пример F: Дерево решений, построенное и зафиксированное после обучения. Оценка: Статическая.
• Пример G: Нейронная сеть без памяти, веса после тренировки фиксированы. Оценка: Статическая.

Как я могу помочь дальше

• Пришли текст или картинку со списком примеров. Я точно распределю каждый пример по категориям и поясню, почему именно так.
• Если тебе нужно сразу перейти к конкретной задаче в формате «перетащи примеры к виду модели. Статические», можно прислать набор примеров, и я дам готовый ответ с пометками, какие из них относятся к Статическим и какие — к другим видам, с краткими объяснениями.

Готов принять примеры — отправляй, и я начну разбирать их по шагам.