Apprendimento incrementale: differenze tra le versioni
Contenuto cancellato Contenuto aggiunto
m + citazioni |
→Note: + sez. sulle differenze con l'apprendimento online |
||
Riga 1:
In intelligenza artificiale, l''''apprendimento incrementale''' è una modalità di [[apprendimento automatico]] in cui i dati di input vengono utilizzati per estendere in continuo la conoscenza del modello esistente, ovvero per addestrarlo ulteriormente. Essa rappresenta una modalità dinamica di [[apprendimento supervisionato]] e [[Apprendimento non supervisionato|non]] che può essere applicata allorché i dati di addestramento si rendano disponibili gradualmente nel tempo o la loro dimensione superi i limiti di memoria del sistema. Gli algoritmi che possono facilitare l'apprendimento incrementale sono noti come ''algoritmi incrementali''.<ref>{{Cita pubblicazione|nome=Gido M.|cognome=van de Ven|nome2=Tinne|cognome2=Tuytelaars|nome3=Andreas S.|cognome3=Tolias|data=2022-12|titolo=Three types of incremental learning|rivista=Nature Machine Intelligence|volume=4|numero=12|pp=1185–1197|lingua=en
Molti algoritmi di apprendimento automatico tradizionali supportano intrinsecamente l'apprendimento incrementale. Altri algoritmi possono essere adattati per facilitare l'apprendimento incrementale. Esempi di algoritmi incrementali comprendono quelli per l'apprendimento di [[Albero di decisione|alberi]] o [[Albero di decisione|regole di decisione]], [[Rete neurale artificiale|reti neurali artificiali]] (ad es. [[Rete neurale a base radiale|reti RBF]]) o l'[[Macchine a vettori di supporto|SVM]] incrementale.
Riga 6:
Gli algoritmi incrementali vengono spesso applicati a flussi di dati o [[big data]], per risolvere, rispettivamente, problematiche di disponibilità di dati e di scarsità di risorse. La predizione dell'andamento di azioni e la profilazione degli utenti sono alcuni casi tipici in cui flussi di nuovi dati si rendono continuamente disponibili. L'applicazione dell'apprendimento incrementale ai big data mira a tempi di [[Classificazione statistica|classificazione]] o previsione più rapidi.
== Relazione con l'apprendimento online ==
Le differenze tra [[Apprendimento automatico online|apprendimento online]] e apprendimento incrementale sono soprattutto nel contesto e nelle sfumature del modo in cui vengono elaborati i dati e aggiornato il modello:
* ''apprendimento online'':
** il modello riceve i dati uno per volta (o in piccoli batch) e si aggiorna '''immediatamente''' dopo ogni esempio;
** è progettato per ambienti in cui i dati arrivano in flusso continuo e in tempo reale, e si richiede che il modello sia sempre aggiornato e adattabile senza attendere grandi quantità di dati;
** enfatizza la reattività e la capacità di adattarsi rapidamente a nuovi dati o cambiamenti del contesto.
* ''apprendimento incrementale'':
** si aggiorna progressivamente il modello man mano che si rendono disponibili nuovi dati, ma può elaborare i dati anche in modo batch o piccoli gruppi (''mini-batch'');
** spesso implica un aggiornamento meno frequente rispetto all'online, ma con la caratteristica che la conoscenza pregressa non viene persa e il modello migliora continuamente nel tempo;
** può essere concepito come un apprendimento che integra progressivamente nuove informazioni senza riaddestrare completamente il modello.
In sintesi, l'apprendimento online è una sotto-categoria dell'apprendimento incrementale, più specificamente focalizzata sull'aggiornamento immediato e sequenziale dei modelli, mentre l'apprendimento incrementale include anche aggiornamenti batch o meno frequenti ma sempre progressivi.
== Voci collegate ==
| |||