Regulované online učenie
Regulované online učenie rozširuje paradigmu online učenia začlenením penalizácie za reguláciu do každého aktualizovania váh, čím kontroluje komplexnosť modelu pri spracovaní dát po jednom príklade. Algoritmy ako Follow-the-Regularized-Leader (FTRL) a Regularized Dual Averaging (RDA) robia tento prístup praktickým vo veľkom meradle, čo umožňuje riedke, dobre kalibrované modely na dátach zo streamu.
Prečítať celú metódu
Ak si chcete prečítať túto sekciu, prihláste sa s bezplatným účtom.
Method map
The neighbourhood of related methods — select a node to explore.
Zdroje
- 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 ↗
Ako citovať túto stránku
ScholarGate. (2026, June 3). Regularized Online Learning (Online Learning with Regularization). ScholarGate. https://scholargate.app/sk/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.
- Online učenieStrojové učenie↔ compare
- Regularizovaná lineárna regresiaStrojové učenie↔ compare
- Regularizovaná logistická regresiaStrojové učenie↔ compare
- Polosupervizované učenieStrojové učenie↔ compare
- Stochastický gradientný zostup (SGD)Strojové učenie↔ compare
- Prenosové učenieStrojové učenie↔ compare
Našli ste na tejto stránke chybu? Nahláste ju alebo navrhnite opravu →