以MATLAB與Simulink實現都會運輸系統預測性維護應用

當有更多的組織機構開始仰賴機器學習應用來協助處理核心事業職責，也有許多正在更進一步地審視這些應用的完整生命週期。對機器學習關注焦點已從最初的開發部署擴展到環繞著持續監管與更新。輸入資料的改變有可能會降低模型的預測或分類準確性，及時的再訓練與模型評估，有助於產生更好的模型與更精確的決策。