En inteligencia artificial , el aprendizaje ansioso es un método de aprendizaje en el que el sistema intenta construir una función objetivo general e independiente de la entrada durante el entrenamiento del sistema, a diferencia del aprendizaje perezoso , donde la generalización más allá de los datos de entrenamiento se retrasa hasta que se realiza una consulta al sistema. [1] La principal ventaja obtenida al emplear un método de aprendizaje ansioso, como una red neuronal artificial , es que la función objetivo se aproximará globalmente durante el entrenamiento, lo que requiere mucho menos espacio que usar un sistema de aprendizaje perezoso. Los sistemas de aprendizaje ansioso también manejan mucho mejor el ruido en los datos de entrenamiento . El aprendizaje ansioso es un ejemplo de aprendizaje fuera de línea , en el que las consultas posteriores al entrenamiento al sistema no tienen efecto en el sistema en sí y, por lo tanto, la misma consulta al sistema siempre producirá el mismo resultado.
La principal desventaja del aprendizaje entusiasta es que generalmente no puede proporcionar buenas aproximaciones locales en la función objetivo. [2]