Apprentissage en ligne régularisé
L'apprentissage en ligne régularisé étend le paradigme de l'apprentissage en ligne en incorporant une pénalité de régularisation dans chaque mise à jour des poids, contrôlant ainsi la complexité du modèle tout en traitant les données un exemple à la fois. Des algorithmes tels que Follow-the-Regularized-Leader (FTRL) et Regularized Dual Averaging (RDA) rendent cette approche pratique à grande échelle, permettant des modèles épars et bien calibrés sur des données en flux continu.
Lire la méthode complète
Connectez-vous avec un compte gratuit pour lire cette section.
Method map
The neighbourhood of related methods — select a node to explore.
Sources
- Xiao, L. (2010). Dual Averaging Methods for Regularized Stochastic and Online Optimization. Journal of Machine Learning Research, 11, 2543–2596. link ↗
- Shalev-Shwartz, S. (2012). Online Learning and Online Convex Optimization. Foundations and Trends in Machine Learning, 4(2), 107–194. DOI: 10.1561/2200000018 ↗
Comment citer cette page
ScholarGate. (2026, June 3). Regularized Online Learning (Online Learning with Regularization). ScholarGate. https://scholargate.app/fr/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.
- Apprentissage en ligneApprentissage automatique↔ compare
- Régression linéaire régulariséeApprentissage automatique↔ compare
- Régression logistique régulariséeApprentissage automatique↔ compare
- Apprentissage semi-superviséApprentissage automatique↔ compare
- Descente de gradient stochastique (SGD)Apprentissage automatique↔ compare
- Apprentissage par transfertApprentissage automatique↔ compare
Une erreur sur cette page ? Signalez-la ou proposez une correction →