অনলাইন এবং ব্যাচ লার্নিংয়ের মধ্যে পার্থক্য কী?

Question

আমি বর্তমানে জন ডুচি এবং ইওরাম সিঙ্গার দ্বারা ফরোয়ার্ড-ব্যাকওয়ার্ড স্প্লিটিং ব্যবহার করে দক্ষ অনলাইনে এবং ব্যাচ লার্নিংটি কাগজটি পড়েছি । 'অনলাইন' এবং 'ব্যাচ' পদগুলির ব্যবহার সম্পর্কে আমি খুব বিভ্রান্ত।

আমি ভেবেছিলাম 'অনলাইন' এর অর্থ আমরা প্রশিক্ষণের ডেটার এক ইউনিট প্রক্রিয়াকরণের পরে ওজনের পরামিতিগুলি আপডেট করি। তারপরে আমরা প্রশিক্ষণের ডেটার পরবর্তী ইউনিটটি প্রসেস করতে নতুন ওজন পরামিতি ব্যবহার করি।

তবে উপরের কাগজে, ব্যবহারটি এতটা পরিষ্কার নয়।

Comments

এবং প্রশ্নটি হচ্ছে?

— a.desantos

Answer 1

আমার কাছে দেখে মনে হচ্ছে তারা সঠিকভাবে ব্যাচ এবং অনলাইন শেখাচ্ছে। বিভাগে 3 এ তারা সম্পূর্ণ ডেটাसेटে শিখতে অর্থাৎ ব্যাচ লার্নিংয়ের জন্য কাজ করছে, যখন বিভাগ 4 এ তারা স্টোকাস্টিক গ্রেডিয়েন্ট অনুসরণ করে যা একটি অনলাইন শেখার অ্যালগরিদম হিসাবে ব্যবহার করা যেতে পারে।

আমি কখনও অনলাইনে শেখার অ্যালগরিদম হিসাবে স্টোকাস্টিক গ্রেডিয়েন্ট ব্যবহার করি নি; তবে, শিখার দৌড়ের মাঝামাঝি সময়ে কেবলমাত্র অপ্টিমাইজেশন প্রক্রিয়াটি বন্ধ করা সম্ভব এবং এটি এখনও একটি দরকারী মডেল হয়ে দাঁড়িয়েছে। খুব বড় ডেটাসেটের জন্য এটি দরকারী যেহেতু আপনি রূপান্তরটি পরিমাপ করতে এবং শিখতে শিখতে পারেন। আপনি প্রতিটি নতুন ডেটাপয়েন্টের জন্য মডেলটি আপডেট করার কারণে আপনি অনলাইন শিক্ষার পদ্ধতি হিসাবে স্টোকাস্টিক গ্রেডিয়েন্টটি ব্যবহার করতে পারেন, আমার মনে হয় আপনি নিজেরাই বলেছিলেন। যদিও, আমি এটিকে "প্রশিক্ষণের ডেটা প্রতি" বলার বিষয়ে সতর্ক থাকব। প্রশিক্ষণ ডেটা একটি ডেটাসেট, কোনও ডেটাপয়েন্ট নয়, তবে আমি মনে করি যে আপনি " প্রশিক্ষণের ডেটা প্রতি " বলেছিলেন সেই থেকেই আমি আপনাকে বুঝতে পেরেছি ।

Comments

$f_t$$f_t$

Answer 2

সংক্ষেপে,

অনলাইন: প্রতিটি প্যাটার্নের উপর ভিত্তি করে শেখা যেমনটি পর্যবেক্ষণ করা হয়।

ব্যাচ: প্যাটার্সের দলগুলির উপর শেখা। বেশিরভাগ অ্যালগরিদম ব্যাচ হয়।

সূত্র: http://machinelearningmastery.com/basic-concepts-in-machine-learning/

Answer 3

ব্যাচ ভার্সাস অন-লাইন শেখা

অন-লাইন এবং ব্যাচের মোডগুলি কিছুটা আলাদা, যদিও উভয়ই প্যারাবোলিক পারফরম্যান্স পৃষ্ঠের জন্য ভাল পারফর্ম করবে। একটি প্রধান পার্থক্য হ'ল ব্যাচের অ্যালগোরিদম ইনপুটটিতে প্রতিটি নমুনার সাথে যুক্ত ত্রুটি গণনার সময় সিস্টেমের ওজনকে ধ্রুবক করে তোলে। যেহেতু অন-লাইন সংস্করণ ক্রমাগতভাবে তার ওজনগুলি আপডেট করে চলেছে, তাই ত্রুটি গণনার (এবং এইভাবে গ্রেডিয়েন্ট অনুমান) প্রতিটি ইনপুট নমুনার জন্য বিভিন্ন ওজন ব্যবহার করে। এর অর্থ হ'ল দুটি অ্যালগরিদম অভিযোজন করার সময় পয়েন্টগুলির বিভিন্ন সেট দেখতে যান। যাইহোক, তারা উভয়ই একই সর্বনিম্নে রূপান্তরিত হয়।

লক্ষ্য করুন যে একই উপাত্ত উপস্থাপনের জন্য দুটি পদ্ধতির ওজন আপডেটের সংখ্যা খুব আলাদা different অন-লাইন পদ্ধতি (এলএমএস) প্রতিটি নমুনা আপডেট করে, যখন ব্যাচ প্রতিটি পর্বের আপডেট করে,

এলএমএস আপডেট = (ব্যাচের আপডেট) এক্স (প্রশিক্ষণ সংস্থায় নমুনার #)।

ব্যাচের অ্যালগরিদম গণনার সংখ্যার দিক থেকে কিছুটা বেশি দক্ষ।