یادگیری ماشین برخط ( به انگلیسی: Online Machine Learning ) یکی از زیرمجموعه های یادگیری ماشین[ ۱] است. بسیاری از برنامه های مبتنی بر یادگیری ماشین، داده های از قبل جمع آوری شده را به عنوان ورودی ( مانند محتویات جداول پایگاه داده ) از یک فایل می گیرند و سپس به صورت پیوسته بر روی این مجموعه داده ها پردازش انجام می دهند که در یادگیری ماشین برخط نحوه دریافت داده ورودی متفاوت است.
در یادگیری ماشین داده های ورودی باید ثابت و مشخص باشند ( از قبل جمع آوری شده ) تا بتواند مدل مورد نظر را بر روی این مجموعه داده ها آموزش بدهد که این روش یادگیری در بسیاری از کاربردها در برابر داده هایی که در لحظه گرفته می شوند، قابلیت آموزش مدل در لحظه را ندارد و باید تا انتهای زمانی که داده ها گرفته می شوند صبر کند و داده ها جمع شوند و در ادامه مدل را آموزش دهد که این از لحاظ زمانی به صرفه نیست. حال برای حل این مشکل ( عدم توانایی آموزش لحظه ای مدل برای داده های لحظه ای ) ایده یادگیری ماشین بر خط ارائه شده است که توانایی آموزش لحظه ای مدل برای داده های لحظه ای را دارد. [ ۲]
یادگیری ماشین نقش مهمی در تجزیه و تحلیل داده های مدرن و برنامه های هوش مصنوعی ( AI ) دارد. الگوهای یادگیری ماشین اغلب در یک یادگیری گروهی کار می کنند که در آن یک مدل توسط برخی از الگوریتم های یادگیری بر روی کل داده ها یک بار آموزش داده می شوند و سپس مدل آموزش داده شده بر روی داده های جدید مورد ارزیابی قرار می گیرد. امروزه با افزایش حجم داده ها، کاربرد یادگیری ماشین به دلیل محدودیت در حافظه پردازشی محدودتر می شوند، به ویژه هنگامی که داده های به صورت برخط رشد و توسعه می یابند. ایجاد یادگیری ماشین مقیاس پذیر برای داده های حجیم و همچنین یادگیری برای داده های لحظه ای در هوش مصنوعی تبدیل به یک چالش بزرگ شده است.
یادگیری ماشین برخط یک قسمتی از یادگیری ماشین است که شامل یک خانواده مهم از تکنیک های یادگیری است که برای یادگیری مدل ها بر روی داده های لحظه ای طراحی شده است. یادگیری ماشین برخط، نقاط ضعف یادگیری ماشین را برطرف می کند که در آن پارامترهای یادگیری مدل می تواند فوراً و به طور مؤثر توسط یک یادگیرنده برخط هنگامی که داده های آموزشی جدید وارد می شوند، به روزرسانی شود. علاوه بر این، الگوریتم های یادگیری ماشین برخط به دلیل فهم آسان به راحتی قابل پیاده سازی می باشند.
این نوشته برگرفته از سایت ویکی پدیا می باشد، اگر نادرست یا توهین آمیز است، لطفا گزارش دهید: گزارش تخلفدر یادگیری ماشین داده های ورودی باید ثابت و مشخص باشند ( از قبل جمع آوری شده ) تا بتواند مدل مورد نظر را بر روی این مجموعه داده ها آموزش بدهد که این روش یادگیری در بسیاری از کاربردها در برابر داده هایی که در لحظه گرفته می شوند، قابلیت آموزش مدل در لحظه را ندارد و باید تا انتهای زمانی که داده ها گرفته می شوند صبر کند و داده ها جمع شوند و در ادامه مدل را آموزش دهد که این از لحاظ زمانی به صرفه نیست. حال برای حل این مشکل ( عدم توانایی آموزش لحظه ای مدل برای داده های لحظه ای ) ایده یادگیری ماشین بر خط ارائه شده است که توانایی آموزش لحظه ای مدل برای داده های لحظه ای را دارد. [ ۲]
یادگیری ماشین نقش مهمی در تجزیه و تحلیل داده های مدرن و برنامه های هوش مصنوعی ( AI ) دارد. الگوهای یادگیری ماشین اغلب در یک یادگیری گروهی کار می کنند که در آن یک مدل توسط برخی از الگوریتم های یادگیری بر روی کل داده ها یک بار آموزش داده می شوند و سپس مدل آموزش داده شده بر روی داده های جدید مورد ارزیابی قرار می گیرد. امروزه با افزایش حجم داده ها، کاربرد یادگیری ماشین به دلیل محدودیت در حافظه پردازشی محدودتر می شوند، به ویژه هنگامی که داده های به صورت برخط رشد و توسعه می یابند. ایجاد یادگیری ماشین مقیاس پذیر برای داده های حجیم و همچنین یادگیری برای داده های لحظه ای در هوش مصنوعی تبدیل به یک چالش بزرگ شده است.
یادگیری ماشین برخط یک قسمتی از یادگیری ماشین است که شامل یک خانواده مهم از تکنیک های یادگیری است که برای یادگیری مدل ها بر روی داده های لحظه ای طراحی شده است. یادگیری ماشین برخط، نقاط ضعف یادگیری ماشین را برطرف می کند که در آن پارامترهای یادگیری مدل می تواند فوراً و به طور مؤثر توسط یک یادگیرنده برخط هنگامی که داده های آموزشی جدید وارد می شوند، به روزرسانی شود. علاوه بر این، الگوریتم های یادگیری ماشین برخط به دلیل فهم آسان به راحتی قابل پیاده سازی می باشند.
wiki: یادگیری ماشین برخط