In computer science, online machine

In computer science, online machine learning is a method of machine learning in which data becomes available in a sequential order and is used to update our best predictor for future data at each step, as opposed to batch learning techniques which generate the best predictor by learning on the entire training data set at once. Online learning is a common technique used in areas of machine learning where it is computationally infeasible to train over the entire dataset, requiring the need of out-of-core algorithms. It is also used in situations where it is necessary for the algorithm to dynamically adapt to new patterns in the data, or when the data itself is generated as a function of time, e.g. stock price prediction.

Two general modelling strategies exist for online learning models: statistical learning models and adversarial models. In statistical learning models (e.g. stochastic gradient descent, perceptrons), the data samples are assumed to be independent and identically distributed random variables (i.e they are not adapting with time), and our algorithm just has a limited access to the data. In adversarial models, we instead look at our learning problem as a game between two players (the learner vs the data generator), and we are trying to minimize our losses regardless of the move played by the other player. In this model, the opponent is allowed to dynamically adapt the data generated based on the output of the learning algorithm. Spam filtering falls in this category, as the adversary will dynamically generate new spam based on the current behavior of the spam detector. Examples of algorithms in this model include follow the leader, follow the regularized leader etc.

ผลลัพธ์ (ไทย) 1:

ในวิทยาการคอมพิวเตอร์ การเรียนออนไลน์เครื่องเป็นวิธีการเรียนรู้ของเครื่องข้อมูลจะพร้อมใช้ในใบสั่งตามลำดับ และใช้ในการปรับปรุงของเราทำนายที่ดีที่สุดสำหรับข้อมูลในอนาคตในแต่ละขั้นตอน ตรงข้ามกับชุดการเรียนรู้เทคนิคที่สร้างทำนายที่ดีที่สุด โดยการเรียนรู้จากชุดข้อมูลการฝึกอบรมทั้งหมดในครั้งเดียว การเรียนรู้ออนไลน์เป็นเทคนิคทั่วไปที่ใช้ในพื้นที่ของเครื่องจักรที่เป็น infeasible computationally รถไฟผ่านชุดข้อมูลทั้งหมด ต้องการความต้องการของอัลกอริทึมออกของหลักการเรียนรู้ ใช้ในสถานการณ์ที่จำเป็นสำหรับอัลกอริทึมแบบไดนามิกเข้ากับรูปแบบใหม่ ในข้อมูล หรือ เมื่อมีสร้างข้อมูลเป็นฟังก์ชันของเวลา ทำนายราคาหุ้นเช่นสองกลยุทธ์แบบจำลองทั่วไปที่มีอยู่สำหรับรูปแบบการเรียนรู้ออนไลน์: สถิติการเรียนรู้รุ่นและรุ่นที่แข่งขัน ในรูปแบบการเรียนรู้ทางสถิติ (เช่น stochastic ไล่ระดับโคตร perceptrons), ตัวอย่างข้อมูลให้เป็นอิสระ และเหมือนกันกระจายตัวแปรสุ่ม (อย่างที่พวกเขาไม่ปรับตัวเข้ากับเวลา), และอัลกอริทึมของเราก็มีจำกัดการเข้าถึงข้อมูล ในรุ่นแข่งขัน เราแทนมองปัญหาการเรียนรู้เป็นเกมระหว่างผู้เล่นสองคน (เทียบกับผู้เรียนกำเนิดข้อมูล), และเราพยายามที่จะลดการสูญเสียของเราคำนึงถึงการย้ายที่เล่น โดยผู้เล่นคนอื่น ในรุ่นนี้ ฝ่ายตรงข้ามไม่มีการปรับเปลี่ยนข้อมูลที่สร้างขึ้นแบบไดนามิกตามผลลัพธ์ของอัลกอริทึมการเรียนรู้ การกรองสแปมอยู่ในหมวดหมู่นี้ เป็นปฏิปักษ์แบบไดนามิกจะสร้างตามพฤติกรรมปัจจุบันของเครื่องตรวจจับสแปมสแปมใหม่ ตัวอย่างของอัลกอริทึมนี้รวมรุ่นทำตามผู้นำ ทำตามผู้นำ regularized ฯลฯ

ผลลัพธ์ (ไทย) 2:

ในสาขาวิทยาศาสตร์คอมพิวเตอร์, เครื่องเรียนรู้ออนไลน์เป็นวิธีการเรียนรู้ของเครื่องซึ่งข้อมูลจะมีอยู่ในลำดับและมีการใช้ในการปรับปรุงทำนายที่ดีที่สุดของเราสำหรับข้อมูลในอนาคตในแต่ละขั้นตอนเมื่อเทียบกับเทคนิคการเรียนรู้ชุดที่สร้างทำนายที่ดีที่สุดโดยการเรียนรู้ จากข้อมูลการฝึกอบรมทั้งการตั้งค่าในครั้งเดียว การเรียนรู้ออนไลน์เป็นเทคนิคที่ใช้กันทั่วไปในพื้นที่ของการเรียนรู้ของเครื่องที่มันเป็นไปไม่ได้คำนวณในการฝึกอบรมมากกว่าชุดทั้งกำหนดความต้องการของขั้นตอนวิธีการออกจากแกน นอกจากนี้ยังใช้ในสถานการณ์ที่มีความจำเป็นสำหรับขั้นตอนวิธีแบบไดนามิกปรับให้เข้ากับรูปแบบใหม่ในข้อมูลหรือเมื่อข้อมูลที่ตัวเองจะถูกสร้างเป็นหน้าที่ของเวลาเช่นการคาดการณ์ราคาหุ้น. สองกลยุทธ์การสร้างแบบจำลองทั่วไปที่มีอยู่สำหรับโมเดลการเรียนรู้ออนไลน์ : โมเดลการเรียนรู้ทางสถิติและแบบจำลองขัดแย้ง ในรูปแบบการเรียนรู้ทางสถิติ (เช่นสุ่มลาดเชื้อสายเพอร์เซปตรอน) ตัวอย่างข้อมูลจะถือว่าเป็นอิสระและกันกระจายตัวแปรสุ่ม (เช่นพวกเขาจะไม่ปรับตัวกับเวลา) และอัลกอริทึมของเราเพียงแค่มีการ จำกัด การเข้าถึงข้อมูล ในรูปแบบที่ไม่เป็นใจเราแทนที่จะมองปัญหาในการเรียนรู้ของเราเป็นเกมระหว่างผู้เล่นสองคน (เรียน VS กำเนิดข้อมูล) และเรากำลังพยายามที่จะลดการสูญเสียของเราโดยไม่คำนึงถึงการย้ายที่เล่นโดยผู้เล่นคนอื่น ในรูปแบบนี้ฝ่ายตรงข้ามได้รับอนุญาตให้แบบไดนามิกปรับตัวเข้ากับข้อมูลที่สร้างขึ้นบนพื้นฐานของการส่งออกของขั้นตอนวิธีการเรียนรู้ กรองสแปมตกอยู่ในหมวดหมู่นี้เป็นศัตรูแบบไดนามิกจะสร้างสแปมใหม่บนพื้นฐานของพฤติกรรมในปัจจุบันของเครื่องตรวจจับสแปม ตัวอย่างของขั้นตอนวิธีการในรูปแบบนี้รวมถึงการปฏิบัติตามผู้นำทำตามผู้นำ regularized ฯลฯ

ผลลัพธ์ (ไทย) 3:

ในวิทยาศาสตร์คอมพิวเตอร์ , การเรียนรู้เครื่องออนไลน์เป็นวิธีการของการเรียนรู้ด้วยเครื่องจักรที่ข้อมูลจะพร้อมใช้งานในลําดับ และถูกใช้เพื่อปรับปรุงการปฏิบัติที่ดีที่สุดของเราสำหรับข้อมูลในอนาคตในแต่ละขั้นตอนเป็นนอกคอกชุดการเรียนรู้เทคนิคที่สร้างได้ดีที่สุด โดยการเรียนรู้เกี่ยวกับข้อมูลการตั้งค่าทั้งหมดในครั้งเดียว การเรียนรู้ออนไลน์เป็นเทคนิคทั่วไปที่ใช้ในพื้นที่ของการเรียนรู้เครื่องที่มันซึ่งมันเป็นไปไม่ได้ที่จะฝึกมากกว่าข้อมูลทั้งหมด ซึ่งต้องออกของขั้นตอนวิธีหลัก นอกจากนี้ยังใช้ในสถานการณ์ที่จำเป็นสำหรับขั้นตอนวิธีแบบไดนามิกที่ปรับให้เข้ากับรูปแบบใหม่ในข้อมูลหรือเมื่อข้อมูลตัวเองถูกสร้างขึ้นในฐานะที่เป็นฟังก์ชั่นของเวลา เช่น ราคาหุ้น พยากรณ์สองกลยุทธ์แบบทั่วไปอยู่สำหรับการเรียนรู้แบบออนไลน์ : สถิติและรูปแบบการเรียนรู้แบบขัดแย้ง ในรูปแบบการเรียนรู้ทางสถิติ ( เช่น Stochastic ลาดลงมา , เพอร์เซปตร ) , ข้อมูลตัวอย่างที่ถือว่าเป็นอิสระและกันกระจายตัวแปรสุ่ม ( คือพวกเขาจะไม่ปรับตัวกับเวลา ) และขั้นตอนวิธีของเราก็มีจำกัดการเข้าถึงไปยังข้อมูล ในรุ่นที่ขัดแย้ง เราแทนที่จะมองปัญหาการเรียนรู้ของเราเป็นเกมระหว่างผู้เล่นสองคน ( ผู้เรียน vs ข้อมูล Generator ) และเราพยายามที่จะลดการขาดทุนของเราไม่ว่าย้ายที่เล่นโดยผู้เล่นอื่น ๆ ในรูปแบบนี้ ฝ่ายตรงข้ามจะได้รับอนุญาตให้ไดนามิกปรับข้อมูลที่สร้างขึ้นบนพื้นฐานของขั้นตอนวิธีการเรียนรู้ การกรองสแปมตกอยู่ในหมวดหมู่นี้เป็นคู่อริจะแบบไดนามิกสร้างสแปมใหม่บนพื้นฐานของพฤติกรรมปัจจุบันของสแปมตรวจจับ ตัวอย่างของขั้นตอนวิธีในรูปแบบนี้รวมตามผู้นำตาม regularized ผู้นำ ฯลฯ