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.