stringtranslate.com

Aprendizaje incremental

En informática , el aprendizaje incremental es un método de aprendizaje automático en el que los datos de entrada se utilizan continuamente para ampliar el conocimiento del modelo existente, es decir, para entrenar aún más el modelo. Representa una técnica dinámica de aprendizaje supervisado y no supervisado que se puede aplicar cuando los datos de entrenamiento están disponibles gradualmente con el tiempo o su tamaño supera los límites de memoria del sistema. Los algoritmos que pueden facilitar el aprendizaje incremental se conocen como algoritmos de aprendizaje automático incremental.

Muchos algoritmos tradicionales de aprendizaje automático admiten inherentemente el aprendizaje incremental. Se pueden adaptar otros algoritmos para facilitar el aprendizaje incremental. Algunos ejemplos de algoritmos incrementales incluyen árboles de decisión (IDE4, [1] ID5R [2] y gaenari), reglas de decisión , [3] redes neuronales artificiales ( redes RBF , [4] Learn++, [5] Fuzzy ARTMAP, [6] TopoART, [7] e IGNG [8] ) o el SVM incremental . [9]

El objetivo del aprendizaje incremental es que el modelo de aprendizaje se adapte a los nuevos datos sin olvidar el conocimiento existente. Algunos modelos de aprendizaje incremental incorporan algún parámetro o suposición que controla la relevancia de los datos antiguos, mientras que otros, denominados algoritmos de aprendizaje automático incremental estable, aprenden representaciones de los datos de entrenamiento que no se olvidan ni siquiera parcialmente con el tiempo. Fuzzy ART [10] y TopoART [7] son ​​dos ejemplos de este segundo enfoque.

Los algoritmos incrementales se aplican con frecuencia a flujos de datos o big data para abordar problemas de disponibilidad de datos y escasez de recursos, respectivamente. La predicción de tendencias de stock y la elaboración de perfiles de usuarios son algunos ejemplos de flujos de datos en los que se dispone de nuevos datos de forma continua. La aplicación del aprendizaje incremental a big data tiene como objetivo producir tiempos de clasificación o previsión más rápidos .

Véase también

Referencias

  1. ^ Schlimmer, JC, y Fisher, D. Un estudio de caso de inducción incremental de conceptos. Quinta Conferencia Nacional sobre Inteligencia Artificial, 496-501. Filadelfia, 1986
  2. ^ Utgoff, PE, Inducción incremental de árboles de decisión. Machine Learning, 4(2): 161-186, 1989
  3. ^ Ferrer-Troyano, Francisco, Jesus S. Aguilar-Ruiz y Jose C. Riquelme. Aprendizaje incremental de reglas basado en la proximidad de ejemplos a partir de flujos de datos numéricos. Actas del simposio ACM 2005 sobre computación aplicada. ACM, 2005
  4. ^ Bruzzone, Lorenzo y D. Fernández Prieto. Una red neuronal de aprendizaje incremental para la clasificación de imágenes de teledetección. Pattern Recognition Letters: 1241-1248, 1999
  5. ^ R. Polikar, L. Udpa , S. Udpa, V. Honavar. Learn++: Un algoritmo de aprendizaje incremental para redes neuronales supervisadas. IEEE Transactions on Systems, Man, and Cybernetics. Universidad Rowan, EE. UU., 2001.
  6. ^ G. Carpenter, S. Grossberg, N. Markuzon, J. Reynolds, D. Rosen. Fuzzy ARTMAP: una arquitectura de red neuronal para el aprendizaje supervisado incremental de mapas multidimensionales analógicos. Transacciones IEEE sobre redes neuronales, 1992
  7. ^ de Marko Tscherepanow, Marco Kortkamp y Marc Kammer. Una red ART jerárquica para el aprendizaje incremental estable de estructuras topológicas y asociaciones a partir de datos ruidosos Archivado el 10 de agosto de 2017 en Wayback Machine . Neural Networks, 24(8): 906-916, 2011
  8. ^ Jean-Charles Lamirel, Zied Boulila, Maha Ghribi y Pascal Cuxac. Un nuevo algoritmo de gas neuronal de crecimiento incremental basado en la maximización del etiquetado de grupos: aplicación a la agrupación de datos textuales heterogéneos. IEA/AIE 2010: Tendencias en sistemas inteligentes aplicados, 139-148, 2010
  9. ^ Diehl, Christopher P. y Gert Cauwenberghs. Aprendizaje incremental, adaptación y optimización de SVM Archivado el 15 de diciembre de 2017 en Wayback Machine . Redes neuronales, 2003. Actas de la Conferencia conjunta internacional sobre. Vol. 4. IEEE, 2003.
  10. ^ Carpenter, GA, Grossberg, S., y Rosen, DB, Fuzzy ART: Aprendizaje rápido y estable y categorización de patrones analógicos mediante un sistema de resonancia adaptativo, Neural Networks, 4(6): 759-771, 1991

Enlaces externos