Apprentissage au fur et à mesure


Domaine


Intelligence artificielle
Apprentissage automatique


Définition

Méthode d'apprentissage où les paramètres d'un modèle sont mis à jour en fonction des nouvelles données acquises au fur et à mesure.

Français

apprentissage au fur et à mesure

apprentissage en flux

apprentissage par flux


À la base l'expression «online training» est ambigüe et est facilement confondue avec la formation en ligne. En anglais on trouve également les expressionS; «flow training», «data stream training» ou «data feed training». En français, on dira «apprentissage continu» ou «en continu» ou «par flux» ou «par flux de données» ou «en flux de données», ou «par flot», par «flot de données» ou même «apprentissage progressif», «apprentissage au fur et à mesure».

Ici encore les expressions «apprentissage continu» ou «apprentissage en continu» risquent d'être confondues avec la formation continue. A priori, «par flux de données» semblerait plus approprié. Une entrée «online learning» avec l'équivalent «apprentissage en ligne» existe dans le GDT 2008 mais pour la formation en ligne" L'expression «apprentissage en ligne» est suggérée par Aurélien Géron, trad. Anne Bohy - Machine Learning avec Scikit-Learn, mais aussi «apprentissage progressif» suggéré par Aurélien Géron, trad. Anne Bohy - Machine Learning avec Scikit-Learn

Anglais

online training

online learning

flow training

data stream training

data feed training


Online learning

In computer science, online machine learning is a method of machine learning in which data becomes available in a sequential order and is used to update our best predictor for future data at each step, as opposed to batch learning techniques which generate the best predictor by learning on the entire training data set at once. Online learning is a common technique used in areas of machine learning where it is computationally infeasible to train over the entire dataset, requiring the need of out-of-core algorithms. It is also used in situations where it is necessary for the algorithm to dynamically adapt to new patterns in the data, or when the data itself is generated as a function of time, e.g. stock price prediction. Online learning algorithms may be prone to catastrophic interference. This problem is tackled by incremental learning approaches.