Quelle est la différence entre l' apprentissage hors ligne et en ligne ? Est-ce juste une question d’apprentissage sur l’ensemble du jeu de données (hors ligne) par opposition à un apprentissage incrémentiel (une instance à la fois)? Quels sont les exemples d'algorithmes utilisés dans les deux?
Réponses:
L'apprentissage en ligne signifie que vous le faites au fur et à mesure que les données arrivent. Hors connexion, vous avez un ensemble de données statique.
Donc, pour l'apprentissage en ligne, vous avez (généralement) plus de données, mais vous avez des contraintes de temps. Une autre ride qui peut affecter l'apprentissage en ligne est que vos concepts peuvent changer avec le temps.
Supposons que vous souhaitiez créer un classificateur reconnaissant le spam. Vous pouvez acquérir un grand corpus d'e-mails, les étiqueter et y former un classificateur. Ce serait un apprentissage hors ligne. Ou bien, vous pouvez prendre tous les courriels arrivant dans votre système et mettre à jour en permanence votre classificateur (les étiquettes peuvent être un peu délicates). Ce serait l'apprentissage en ligne.
Le terme "en ligne" est surchargé et provoque donc une confusion dans le domaine de l'apprentissage automatique.
Le contraire de "en ligne" est l'apprentissage par lots. Dans l'apprentissage par lots, l'algorithme d'apprentissage met à jour ses paramètres après avoir consommé la totalité du lot, tandis que dans l'apprentissage en ligne, il met à jour ses paramètres après avoir appris à partir d'une instance d'apprentissage. L'apprentissage en mode batch est à mi-chemin entre l'apprentissage en batch d'un côté et l'apprentissage en ligne de l'autre côté.
De plus, "quand" les données sont entrées, qu'elles soient ou non stockées, est orthogonal à l'apprentissage en ligne ou par lots.
L’apprentissage en ligne est considéré comme plus lent à converger vers un minimum que l’apprentissage par lots. Cependant, dans les cas où l'ensemble de données entier ne tient pas dans la mémoire, utiliser l'apprentissage en ligne est un compromis acceptable.
Apprentissage en ligne (également appelé apprentissage incrémental ): nous considérons une seule présentation des exemples. Dans ce cas, chaque exemple est utilisé séquentiellement de la manière prescrite par l'algorithme d'apprentissage, puis jeté. Les modifications de poids effectuées à un stade donné dépendent uniquement de l'exemple (actuel) présenté et éventuellement de l'état actuel du modèle. C'est la procédure naturelle pour les règles variables dans le temps où les exemples peuvent ne pas être disponibles du tout à la fois.
Apprentissage hors ligne : les changements de poids dépendent de l'ensemble du jeu de données (formation), définissant une fonction de coût globale. Les exemples sont utilisés à plusieurs reprises jusqu'à ce que cette fonction de coût soit minimisée.