我认为这是＆＃34;亵渎＆＃34;对于那些来自AI世界的人，但是因为我来自我们编程并获得结果的世界，并且存在存储内存的概念，这是我的问题：
机器学习通过迭代工作，迭代次数越多，我们的算法就越好，但是在这些迭代之后，某个结果存储在某个地方？因为如果我认为作为程序员，如果我重新运行程序，我必须将以前的结果存储在某个地方，否则它们会被覆盖？或者我需要使用数组来存储我的结果。
例如，如果我使用一堆猫图片数据集训练我的图像识别算法，我需要将哪些变量添加到我的算法中，所以如果我将它与图像库一起使用，那么每次我都会成功找一只猫，但我会用什么？因为我的下一步没有保存任何东西？
我看过的所有视频和教程，他们只是画了一张图表作为决策制作，并没有应用某些东西在未来的节目中使用它？
例如，这个例子，kNN用于教授如何检测写入的数字，但是使用的显式值在哪里？
注意：点击close request或downvoting的人至少会说明理由。
答案 0 :(得分：2)
迭代越多，我们的算法就越好，但在这些迭代之后，存储的结果存在于某处
您在此处提到的是优化部分。
然而，要优化模型，我们首先必须表示它。
例如，如果我创建一个非常简单的线性模型，以平方米的面来预测房价，我可能会选择这个模型：
price = a * surface + b
表示。
现在您已经表示了模型，您希望对其进行优化，即找到最小化预测误差的参数a和b。
结果存储在哪里？
在上文中，我们说已经学习参数或权重a和b。
你保留的是什么，来自优化（也称为训练）的权重，当然还有模型本身。
答案 1 :(得分：2)
我认为有些混乱。让我们清楚一点。
机器学习模型通常具有参数，并且这些参数是可训练的。这意味着训练算法找到了正确的＆＃34;这些参数的值，以便适合于给定的任务。 这是学习的一部分。实际的参数值是＆＃34;推断＆＃34;来自培训数据。
您称之为培训过程的结果是模型。模型由带参数的公式表示，并且必须存储这些参数。通常，当您使用ML / DL框架（如scikit-learn或Keras）时，参数将与有关模型类型的一些信息一起存储，因此可以在运行时重建。