完整定義
線上學習是一種機器學習範例,其中模型在接收到每個新資料點後立即更新,而無需儲存所有資料或進行批次訓練。這與批次學習形成對比,在批次學習中,模型在整個訓練資料集上進行訓練。線上學習適用於資料流場景,例如即時預測或動態環境。
白話說明
你有沒有看過模型每天都要跟著新資料更新,才不會跟現實脫節?
你可以把 線上學習 想成 有新資料就邊看邊修正。
資料流和需求變化快時比較跟得上,有新資料進來,就邊看邊修正 這件事就特別重要。
記住這句
有新資料進來,就邊看邊修正
比喻:線上學習就像一個即時更新的股市分析師 -- 每當有新的交易數據進來,他會立刻調整自己的預測模型,而不是等到收盤後才做總結。
容易混淆
線上學習 vs 批次學習
批次學習像期末考前才總複習的學生,一次把所有資料學完;線上學習像每天寫作業的學生,有新進度就立刻學,更靈活,適合資料不斷湧入的場景。
最關鍵的區別:一個即時更新,一個集中訓練。
線上學習 vs 批次學習
線上學習邊來邊學,批次學習是一批資料看完再訓練
最關鍵的區別:更新頻率和資料進來的方式不同。
實際案例
案例 1:信用卡風控每天吃進交易流,發現新型詐騙就立刻調整
案例 2:推薦系統根據新點擊紀錄快速修正偏好
演算法與應用
核心意思就是:有新資料進來,就邊看邊修正。
適合串流、即時風控和分布會漂移的場景
要注意災難性遺忘,因為新資料可能把舊知識蓋掉
情境判斷
Q2(判斷題): 資料分布很穩時,還一定要用線上學習嗎?
看情況,若資料固定且追求穩定,批次學習可能更省心
常見問題
線上學習逐個接收資料樣本並即時更新模型,而批次學習則在整個訓練資料集上進行訓練。 線上學習適用於資料流場景,批次學習通常可以獲得更高的準確性。
常見的線上學習演算法包括隨機梯度下降 (SGD)、被動-積極學習 (Passive-Aggressive Learning)、自適應次梯度方法 (AdaGrad、RMSProp、Adam) 和線上支援向量機 (Online SVM)。
線上學習在垃圾郵件過濾、股票市場預測、推薦系統、網路安全、物聯網和機器人控制等領域都有廣泛的應用,特別是在資料量大、資料分布不斷變化的場景中。
相關術語
來源
這個術語目前沒有標註外部來源。
其他格式:Markdown 版本