Machine learningMachine learning

Κανονικοποιημένη Διαδικτυακή Μάθηση

Η κανονικοποιημένη διαδικτυακή μάθηση επεκτείνει το παράδειγμα της διαδικτυακής μάθησης ενσωματώνοντας μια ποινή κανονικοποίησης σε κάθε ενημέρωση βαρών, ελέγχοντας την πολυπλοκότητα του μοντέλου κατά την επεξεργασία δεδομένων ένα παράδειγμα κάθε φορά. Αλγόριθμοι όπως ο Follow-the-Regularized-Leader (FTRL) και ο Regularized Dual Averaging (RDA) καθιστούν αυτή την προσέγγιση πρακτική σε μεγάλη κλίμακα, επιτρέποντας αραιά, καλά βαθμονομημένα μοντέλα σε δεδομένα ροής.

Άνοιγμα στο MethodMindΣύντομαΒίντεοΣύντομαDownload slides

Διαβάστε ολόκληρη τη μέθοδο

Μόνο για μέλη

Συνδεθείτε με δωρεάν λογαριασμό για να διαβάσετε αυτή την ενότητα.

Σύνδεση

Method map

The neighbourhood of related methods — select a node to explore.

Πηγές

  1. Xiao, L. (2010). Dual Averaging Methods for Regularized Stochastic and Online Optimization. Journal of Machine Learning Research, 11, 2543–2596. link
  2. Shalev-Shwartz, S. (2012). Online Learning and Online Convex Optimization. Foundations and Trends in Machine Learning, 4(2), 107–194. DOI: 10.1561/2200000018

Πώς να παραπέμψετε σε αυτή τη σελίδα

ScholarGate. (2026, June 3). Regularized Online Learning (Online Learning with Regularization). ScholarGate. https://scholargate.app/el/machine-learning/regularized-online-learning

Which method?

Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.

Compare side by side
ScholarGateRegularized Online Learning (Regularized Online Learning (Online Learning with Regularization)). Ανακτήθηκε στις 2026-06-15 από https://scholargate.app/el/machine-learning/regularized-online-learning · Σύνολο δεδομένων: https://doi.org/10.5281/zenodo.20539026