深度学习，关于使用哪种架构的建议

Question

我目前正在开发一个应用程序，它可以让心理学家管理他们的时间表和预算。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，只是为了获得一点理论知识，但这有点令人不知所措。

我知道我可以从约会中提取以下特征：

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..

我知道有像“特征提取”这样的东西，你可以训练神经网络来找到特征本身，但所有的例子都是指图像识别或语音分析。

我希望算法训练现有的和未来的约会(存储在MongoDB中)。我还希望算法实时训练，也就是说，如果它向用户提出一个约会，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。

我还知道我应该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？我如何开始，我需要什么样的架构？

Answer 1

由于它是一个POC，我假设你没有大型的数据集，我不建议使用深度学习，从较小的东西开始，比如决策树之类的算法，当你有大量的数据时，转移到深度模型。为什么？调整树型模型并向客户解释总是更容易。此外，正如吴立胜教授所建议的那样，深度学习需要至少100K的观察值才能学习并表现良好。对于模拟数据集，它总是不可预测的。