ऑफ़लाइन और ऑनलाइन सीखने के बीच अंतर क्या है ? क्या यह पूरे डेटासेट (ऑफ़लाइन) बनाम अधिगम (एक समय में एक उदाहरण) सीखने की बात है? दोनों में इस्तेमाल किए गए एल्गोरिदम के उदाहरण क्या हैं?
ऑफ़लाइन और ऑनलाइन सीखने के बीच अंतर क्या है ? क्या यह पूरे डेटासेट (ऑफ़लाइन) बनाम अधिगम (एक समय में एक उदाहरण) सीखने की बात है? दोनों में इस्तेमाल किए गए एल्गोरिदम के उदाहरण क्या हैं?
जवाबों:
ऑनलाइन लर्निंग का मतलब है कि डेटा के अंदर आते ही आप इसे कर रहे हैं। ऑफलाइन का मतलब है कि आपके पास स्टैटिक डेटासेट है।
इसलिए, ऑनलाइन सीखने के लिए, आपके पास (आमतौर पर) अधिक डेटा होता है, लेकिन आपके पास समय की कमी होती है। एक और शिकन जो ऑनलाइन सीखने को प्रभावित कर सकती है वह यह है कि आपकी अवधारणाएँ समय के साथ बदल सकती हैं।
मान लीजिए कि आप स्पैम को पहचानने के लिए एक क्लासिफायर बनाना चाहते हैं। आप ई-मेल का एक बड़ा कोष प्राप्त कर सकते हैं, उसे लेबल कर सकते हैं और उस पर एक क्लासिफायर ट्रेन कर सकते हैं। यह ऑफ़लाइन सीखना होगा। या, आप अपने सिस्टम में आने वाले सभी ई-मेल ले सकते हैं, और अपने क्लासिफायर को लगातार अपडेट कर सकते हैं (लेबल थोड़ा मुश्किल हो सकता है)। यह ऑनलाइन सीखना होगा।
"ऑनलाइन" शब्द अतिभारित है, और इसलिए मशीन सीखने के क्षेत्र में भ्रम का कारण बनता है।
"ऑनलाइन" के विपरीत बैच लर्निंग है। बैच लर्निंग में, लर्निंग एल्गोरिथ्म पूरे बैच का उपभोग करने के बाद अपने मापदंडों को अपडेट करता है, जबकि ऑनलाइन शिक्षण में, एल्गोरिथ्म 1 प्रशिक्षण उदाहरण से सीखने के बाद अपने मापदंडों को अपडेट करता है। मिनी बैच लर्निंग एक छोर पर बैच लर्निंग और दूसरे चरम पर ऑनलाइन लर्निंग के बीच का आधा बिंदु है।
इसके अलावा, "जब" डेटा अंदर आता है, या यह संग्रहीत होने में सक्षम है या नहीं, ऑनलाइन या बैच सीखने के लिए ऑर्थोगोनल है।
बैच लर्निंग की तुलना में ऑनलाइन लर्निंग को मिनीमा में परिवर्तित करने के लिए धीमा माना जाता है। हालांकि, ऐसे मामलों में जहां पूरा डेटासेट मेमोरी में फिट नहीं होता है, ऑनलाइन लर्निंग का उपयोग करना स्वीकार्य ट्रेडऑफ़ है।
ऑनलाइन लर्निंग (जिसे वृद्धिशील अधिगम भी कहा जाता है ): हम उदाहरणों की एकल प्रस्तुति पर विचार करते हैं। इस मामले में, प्रत्येक उदाहरण को क्रमिक रूप से सीखने के एल्गोरिथ्म द्वारा निर्धारित तरीके से उपयोग किया जाता है, और फिर फेंक दिया जाता है। किसी दिए गए चरण में किए गए वजन में परिवर्तन विशेष रूप से केवल (वर्तमान) उदाहरण पर प्रस्तुत किया जा रहा है और संभवतः मॉडल की वर्तमान स्थिति पर निर्भर करता है । यह समय के लिए अलग-अलग नियमों के लिए प्राकृतिक प्रक्रिया है जहां उदाहरण एक साथ बिल्कुल भी उपलब्ध नहीं हो सकते हैं।
ऑफ़लाइन सीखना : वजन में परिवर्तन वैश्विक प्रशिक्षण समारोह को परिभाषित करते हुए संपूर्ण (प्रशिक्षण) डेटासेट पर निर्भर करता है। उदाहरण तब तक बार-बार उपयोग किए जाते हैं जब तक कि इस लागत फ़ंक्शन को न्यूनतम नहीं किया जाता है।