Online Learning
Online learning är ett maskininlärningsparadigm där en modell inkrementellt uppdateras allt eftersom varje ny datapunkt anländer, snarare än att tränas en gång på en fast datamängd. Det är väsentligt när data strömmar kontinuerligt, lagringsutrymmet är begränsat, eller den underliggande fördelningen skiftar över tid. Teoretisk prestanda mäts genom kumulativ regret i förhållande till den bästa fasta prediktorn i efterhand.
Läs hela metoden
Logga in med ett kostnadsfritt konto för att läsa avsnittet.
Method map
The neighbourhood of related methods — select a node to explore.
+30 more
Källor
- Shalev-Shwartz, S. (2011). Online Learning and Online Convex Optimization. Foundations and Trends in Machine Learning, 4(2), 107–194. DOI: 10.1561/2200000018 ↗
- Cesa-Bianchi, N. & Lugosi, G. (2006). Prediction, Learning, and Games. Cambridge University Press. ISBN: 978-0-521-84108-5
Så citerar du den här sidan
ScholarGate. (2026, June 3). Online Learning (Sequential / Incremental Machine Learning). ScholarGate. https://scholargate.app/sv/machine-learning/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.
- Aktivt lärandeMaskininlärning↔ compare
- Federerad inlärningIntegritetsskydd↔ compare
- Few-shot LearningMaskininlärning↔ compare
- Självövervakad inlärningMaskininlärning↔ compare
- Semi-övervakad inlärningMaskininlärning↔ compare
- ÖverföringsinlärningMaskininlärning↔ compare
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →