온라인 대 오프라인 학습? 전체 데이터 세트 (오프라인)에 대한 학습과 점진적

오프라인 학습온라인 학습 의 차이점은 무엇입니까 ? 전체 데이터 세트 (오프라인)에 대한 학습과 점진적 학습 (한 번에 하나의 인스턴스)에 대한 학습의 문제입니까? 두 알고리즘 모두에 사용되는 알고리즘의 예는 무엇입니까?



답변

온라인 학습은 데이터가 들어 오면서 수행하고 있음을 의미합니다. 오프라인은 정적 데이터 세트가 있음을 의미합니다.

따라서 온라인 학습의 경우 일반적으로 더 많은 데이터가 있지만 시간 제약이 있습니다. 온라인 학습에 영향을 줄 수있는 또 다른 주름은 시간이지나면서 개념이 바뀔 수 있다는 것입니다.

스팸을 인식하기 위해 분류기를 작성하려고한다고 가정하겠습니다. 대량의 전자 메일을 입수하여 레이블을 지정하고 분류기를 훈련시킬 수 있습니다. 이것은 오프라인 학습입니다. 또는 시스템에 들어오는 모든 전자 메일을 가져와 분류자를 지속적으로 업데이트 할 수 있습니다 (라벨이 약간 까다로울 수 있음). 이것은 온라인 학습이 될 것입니다.


답변

“온라인”이라는 용어에 과부하가 걸리므로 기계 학습 영역에서 혼동을 일으 킵니다.

“온라인”의 반대는 배치 학습입니다. 배치 학습에서 학습 알고리즘은 전체 배치를 사용한 후 매개 변수를 업데이트하는 반면 온라인 학습에서는 알고리즘이 1 개의 교육 인스턴스에서 학습 한 후 매개 변수를 업데이트합니다. 미니 배치 학습은 한쪽 끝의 배치 학습과 다른 쪽 끝의 온라인 학습 사이의 중간 지점입니다.

또한, 데이터가 들어올 때 또는 저장 될 수 있는지의 여부는 온라인 또는 배치 학습과 직교합니다.

온라인 학습은 배치 학습과 비교할 때 최소 점으로 수렴하는 데 더 느린 것으로 간주됩니다. 그러나 전체 데이터 세트가 메모리에 맞지 않는 경우 온라인 학습을 사용하는 것이 허용되는 상충 관계입니다.


답변

온라인 학습 ( 증분 학습 이라고도 함 ) : 예제의 단일 프레젠테이션을 고려합니다. 이 경우, 각 예는 학습 알고리즘에 의해 규정 된 방식으로 순차적으로 사용 된 다음 폐기된다. 주어진 단계에서 제조 된 중량의 변화는 특별히 의존 제 (현재의) 실시 예에 제시하는 가능성이 모델의 현재 상태에되어있다. 예제를 한 번에 사용할 수없는 시간 변경 규칙의 자연스러운 절차입니다.

오프라인 학습 : 가중치 변경은 전체 (훈련) 데이터 세트에 따라 달라지며 전체 비용 함수를 정의합니다. 이러한 비용 함수가 최소화 될 때까지 예제가 반복적으로 사용됩니다.


답변