Оглавление:-

· Пакетное обучение
∘ Проблемы с пакетным обучением:-
∘ Недостатки пакетного обучения:-
· Онлайн-обучение
∘ Когда использовать
∘ Скорость обучения
∘ Недостатки
· Сравнение пакетного обучения и онлайн-обучения

Сегодняшняя растущая культура машинного обучения демонстрирует полезность различных типов машинного обучения, каждый из которых использует разные алгоритмы для работы. Мы уже углубились в объяснения машинного обучения с учителем, без учителя, с подкреплением и с полуучителем, но есть и другие типы, которые стоит изучить. Эти разные подходы вносят свой вклад в разнообразный ландшафт машинного обучения и его приложений.

  • Как пакетное обучение, так и онлайн-обучение вызывают опасения по поводу того, как алгоритмы машинного обучения обучаются или обучаются, особенно в производственной среде.
  • В простом языке производство — это сервер, на котором будет выполняться ваш код.

Пакетное обучение:-

Пакетное обучение — это обычный способ обучения модели машинного обучения. При этом вы используете все данные для обучения модели. Вы используете все свои данные.

Дополнительного обучения не существует. Дополнительное обучение - это метод обучения, при котором модель обновляется и улучшается с течением времени путем обучения ее новым данным с сохранением ранее изученных шаблонов.

Когда вы работаете над реальной проблемой. Данные будут огромными. Обычно это так. когда вы собираетесь обучать такой огромный объем данных на сервере.Это будет дорого и займет много времени.

При пакетном обучении вы берете все свои данные. Вы обучаете свою модель машинного обучения в автономной системе. После того, как модель обучена, вы развертываете ее на сервере.

Это весь процесс пакетного обучения =›

Проблемы с пакетным обучением:-

Ваша модель статична, что означает, что она не обновляется и не учится на новых данных. Проблема с этим подходом заключается в том, что ваш бизнес-сценарий развивается.

например:-

подумайте о netflix

Вы сделали рекомендательную систему для Netflix. Вы рассмотрели все фильмы и сериалы, которые доступны на сегодняшний день.

Но поскольку Netflix еженедельно добавляет новые фильмы и телепередачи, ваша система рекомендаций должна постоянно расширяться, чтобы включать новые фильмы.

Ваша модель машинного обучения должна постоянно развиваться с новыми данными. Если вы этого не сделаете, в чем польза вашей системы рекомендаций.

Другим примером является классификатор спама в электронной почте.

Ваш классификатор почтового спама актуален на сегодняшнюю дату. Вы один раз поставили его на сервер, после этого обучение не проводилось. Вы оставили его так на один год.

Но через год маркетологи найдут новые приемы. Для создания спам-сообщений, которые не попадают в папку со спамом.

Если вы не обновляете свою систему, то какой в ​​этом смысл? Это будет устаревшим.

Самая большая проблема с пакетным обучением заключается в том, что вам нужно часто переобучать свою модель; как правило, люди делают это периодически. Что они делают, так это берут обновленные данные, объединяют их со старыми данными и переобучают модель со всеми новыми данными. Как только модель обучена, вы снова тестируете ее и размещаете на сервере.

В основном это процесс, который повторяется в цикле снова и снова в течение заданного периода. Этот период может быть 24-часовым, еженедельным, ежемесячным или 6-месячным.

Недостатки пакетного обучения: -

  1. Обработка больших объемов данных. Пакетное обучение требует загрузки всего набора данных в память для обучения. Это становится проблемой при работе с большими наборами данных, которые превышают доступный объем памяти. В таких случаях может быть невозможно загрузить весь набор данных сразу, что может привести к возможным ошибкам памяти и сбоям системы. Кроме того, время обработки для обучения увеличивается по мере увеличения размера набора данных, что делает его непрактичным для приложений, работающих в реальном времени или чувствительных ко времени приложений.
  2. Аппаратные ограничения. Пакетное обучение может потребовать значительных вычислительных ресурсов, особенно при работе со сложными моделями или большими наборами данных. Обучение модели на одном компьютере может занять значительное время и потребовать высокопроизводительного оборудования, такого как графические процессоры или специализированные процессоры. Однако не все пользователи или организации имеют доступ к таким ресурсам, что ограничивает практичность и масштабируемость пакетного обучения в средах с ограниченными ресурсами.
  3. Ограничения доступности. В некоторых сценариях получение всего набора данных, необходимого для пакетного обучения, может быть невозможным или нецелесообразным. Например, данные могут непрерывно генерироваться или собираться потоками, что делает невозможным накопление полного набора данных заранее. Кроме того, могут возникать ситуации, когда данные распределяются по нескольким источникам, что затрудняет централизацию и одновременное обучение на всех данных. В таких случаях предпочтительны альтернативные подходы к обучению, такие как онлайн-обучение или мини-пакетное обучение.

Онлайн-обучение:-

Онлайн-обучение сильно отличается от пакетного обучения, которое выполняется постепенно.

«Вы когда-нибудь слышали, что многие компании продвигают свою продукцию таким образом, что вы будете использовать нашу продукцию не меньше. Производительность нашего продукта будет расти».

Означает вашу производительность с точки зрения повышения удобства использования

Итак, вы слышали, что эти компании говорят об «онлайн-обучении».

Итак, чем вы занимаетесь в онлайн-обучении? Вы вводите данные в свою модель небольшими порциями последовательно. Эти партии называются мини-партиями.

После каждой партии обучения ваша модель становится лучше. поскольку эти пакеты представляют собой небольшие фрагменты данных. так что вы можете выполнять это обучение на сервере (в производстве)

Вот почему это называется онлайн-обучением, что означает, что ваша модель обучается, когда ваша модель находится на сервере.

пример онлайн-обучения

чат-боты:-

Все вы использовали чат-ботов. Чат-боты известных компаний, таких как Google Assistant, Alexa и Siri, хороши. примеры онлайн-обучения

Потому что, когда он развернут на сервере во время развертывания, он также делает предсказание как чат с новыми данными. и в то же время учиться на этих новых данных.

Ютуб:-

когда вы прокручиваете YouTube и возвращаетесь к ленте, нажимая на определенное видео. После просмотра видео подача меняется. Он автоматически модифицируется в соответствии с видео. что было просмотрено

Это снова пример онлайн-обучения.

Когда использовать:-

1) где есть дрейф Концепции: -

Иногда случается так, что вы создаете модель машинного обучения для решения проблемы. Характер проблемы со временем меняется. Там вы можете использовать онлайн-обучение.

например, фондовый рынок, сайт электронной коммерции

2) рентабельность:-

везде, где вы хотите сэкономить. Если да, то работа над крупномасштабным пакетным обучением заставит вас потратить больше денег. Было бы здорово, если бы вы выбрали онлайн-обучение. Это будет экономически выгодно

3) более быстрое решение-

Это дело быстрое, без сомнения, потому что вы тренируетесь мини-партиями. Обучение проходит быстро. В целом, вы должны сделать свою систему быстрой; это решение.

Скорость обучения:-

В онлайн-обучении есть такое понятие, как скорость обучения. Скорость обучения определяет, как часто ваша модель будет обучаться.

Вы не обучаете свою модель каждому входящему фрагменту данных; делая это, ваша модель резко меняется и забывает старые изученные вещи.

В общем, не хотелось бы забывать все старое и начинать изучать новое. И учиться потихоньку даже не хочется, под это тоже плохо

так что правильная скорость обучения должна быть сохранена

Установить правильную скорость обучения для бизнеса в онлайн-обучении — сложная задача, если вы не сделаете это должным образом. ваша модель. может плохо себя вести

Недостатки:-

  1. Сложность в использовании. Платформы и инструменты онлайн-обучения часто требуют технических навыков для эффективной навигации. Некоторым людям может быть сложно адаптироваться к новому программному обеспечению, устранять технические неполадки или перемещаться по онлайн-ресурсам. Эта трудность может помешать обучению и вызвать разочарование, особенно у тех, кто не знаком с технологиями или имеет ограниченный доступ к надежному интернет-соединению.
  2. Риск. Онлайн-обучение сопряжено с определенными рисками, особенно когда речь идет о безопасности и конфиденциальности. Утечка данных, несанкционированный доступ к личной информации или кибератаки на платформы онлайн-обучения могут поставить под угрозу конфиденциальность и конфиденциальность учащихся. Кроме того, онлайн-оценки и экзамены могут быть уязвимы для мошенничества или академической нечестности, поскольку может быть сложно удаленно контролировать учащихся и обеспечивать добросовестность их работы.

Сравнение пакетного и онлайн-обучения