来自编程背景，你在那里编写代码，测试，部署，运行。我试图围绕数据科学中的"训练模型"或"训练模型"的概念，并部署该训练模型。
我并不真正关心部署环境、自动化等。我正在尝试了解部署单元。经过训练的模型。经过训练的模型在文件系统上是什么样子的，它包含什么？
我理解训练模型的概念，并将一组数据拆分为训练集和测试集，但假设我有一个笔记本(python/jupyter)，我加载了一些数据，在训练/测试数据之间拆分，并运行算法来"训练"我的模型。我的可交付成果是什么？当我训练一个模型时，我认为内存中会存储一定数量的数据。那么它如何成为训练模型的一部分呢？它显然不能包含用于训练的所有数据;因此，例如，如果我正在训练一个聊天机器人代理(基于检索)，那么在我添加/输入用户问题或"意图"的示例之后，作为训练的一部分，实际发生了什么，以及我的可部署是什么作为训练模型？这个经过训练的模型是否包含来自训练或术语数组的某种数据总和，它可以获得多大(可部署的大小)？
虽然这个问题看起来相对简单"什么是训练模型"，但我如何用简单的术语向DevOps技术人员解释它？这是一个"对数据科学感兴趣的IT人员，试图在与数据科学家的讨论中理解训练模型的有形单元"。
谢谢
经过训练的模型将包含其参数的值。如果仅调整了几个参数，则只有它们将包含新的调整值。未更改的参数将存储默认值。
这取决于型号。例如线性回归，训练将为您提供斜率和截距的系数(通常)。这些是"模型参数"。传统上，部署时，这些系数被输入到不同的算法中(字面意思是 y=mx+b)，然后当询问"当我有 x 时，y 应该是什么"时，它会以适当的值响应。
另一方面，Kmeans聚类 "参数"是向量，预测算法计算与给定算法的向量的距离，然后返回最近的聚类 - 请注意，这些聚类通常是经过后处理的，因此预测算法会说"鞋子"而不是"[1,2,3,5]"，这又是这些东西在野外如何变化的一个例子。
深度学习返回图的边权重列表，各种参数系统(如最大似然估计)，返回系数以描述特定分布，例如均匀分布是桶数，高斯/正态分布是均值和方差，其他更复杂的甚至更多，例如偏斜和条件概率。
一个训练好的模型(腌制的)或任何你想使用的东西，至少包含它已经被训练过的特征。以一个简单的基于距离的模型为例，您根据 (x1，x2，x3，x4) 特征很重要的事实设计模型，如果有任何点与模型接触，则应返回计算的距离，您根据该距离得出见解或结论。 同样，对于聊天机器人，您可以根据ner-crf进行训练，无论您想要什么功能。一旦文本与模型接触，就会根据模型提取特征并得出见解/结论。希望对您有所帮助！我试着解释费曼的方式。