参考: https://cloud.google.com/bigtable/docs/schema-design-time-series

説明/参照: https://cloud.google.com/solutions/business-intelligence/

https://cloud.google.com/products/databases

説明
たとえば、多数のリモート センシング デバイスの広範な履歴データを保存し、そのデータを使用して日次レポートを生成することを計画している場合、HDD ストレージのコスト削減により、パフォーマンスのトレードオフが正当化される可能性があります。一方、データを使用してリアルタイム ダッシュボードを表示する予定の場合、HDD ストレージを使用することはおそらく意味がありません。この場合、読み取りの頻度がはるかに高くなり、HDD ストレージを使用すると読み取りがはるかに遅くなります。
参考: https://cloud.google.com/bigtable/docs/choosing-ssd-hdd

モデル パラメーターが既存のデータを使用したトレーニングによって調整される変数である場合、ハイパーパラメーターはトレーニング プロセス自体に関する変数です。たとえば、ディープ ニューラル ネットワークの設定の一部として、入力層と出力層の間で使用するノードの「隠れ」層の数と、各層が使用するノードの数を決定します。これらの変数はトレーニング データとはまったく直接関係しません。これらは構成変数です。もう 1 つの違いは、ハイパーパラメータは通常、ジョブ中は一定であるのに対し、トレーニング ジョブ中にパラメータが変化することです。
重みとバイアスはトレーニング プロセス中に調整される変数であるため、ハイパーパラメータではありません。