105.
Çevrimiçi ve çevrimdışı eğitim
Makine öğrenme sistemlerini sınıflandırmak için kullanılan diğer bir ölçüt ise
sistemin gelen veri akışından aşamalı olarak öğrenip öğrenemeyeceği dir.
Veriler toplu bir şekilde öğrenebileceği gibi akan veriler üzerinden de
öğrenebilme yeteneğine sahiptir. Bu öğrenme, çevrimdışı ve çevrimiçi olmak
üzere iki şekilde yapılmaktadır.
1.Çevrimdışı Öğrenme (Batch learning)
Çevrimdışı öğrenmede, sistem aşamalı olarak öğrenme yeteneğine sahip
değildir. Eğitim aşamasında, eğitim amacıyla oluşturulan eğitim kümesini
n
tamamı, modelin eğitimi için kullanılır, sonra modelin kullanımına geçilebilir ve
artık sistem öğrenmeden çalışır hale gelir, bir önceki aşamada eğitim
sonucunda ortaya çıkan modele istenen sorular sorulabilir. Eğitim ve test
aşamalarında oluşan, iki aşamalı, bu sisteme çevrimdışı öğrenme denir .
Bir çevrimdışı öğrenme sisteminin gelen yeni bir veri (yeni bir spam türü gibi)
hakkında bilgi sahibi olmasını istiyorsanız, sistemin yeni bir sürümünü tam veri
kümesinde sıfırdan (yalnızca yeni veriler değil, aynı zamanda eski verilerde)
eğitmeniz gerekir. Daha sonra eski sistemi durdurup, yenisiyle değiştirmek
gerekmektedir. Bu çözüm basittir ve genellikle iyi çalışır, ancak tam veri
kümesini kullanarak eğitim yapmak uzun sürebilir, bu sırada veri kümesinde
değişimler olma ihtimali de olduğu için, belirli periyotlar halinde modelin
güncellenmesi, örneğin 24 saatte bir veya haftalık olarak yeni bir sistem
eğitmek gerekir. Sisteminizin gerçek zamana yakın hızla değişen verilere uyum
sağlaması gerekiyorsa, daha reaktif bir çözüme ihtiyaç vardır. Bir çevrimdışı
öğrenme sisteminin gelen yeni bir veri (yeni bir spam türü gibi) hakkında bilgi
sahibi olmasını istiyorsanız, sistemin yeni bir sürümünü tam veri kümesinde
sıfırdan (yalnızca yeni veriler değil, aynı zamanda eski verilerde) eğitmeniz
gerekir. Daha sonra eski sistemi durdurup, yenisiyle değiştirmek gerekmektedir.
Bu çözüm basittir ve genellikle iyi çalışır, ancak tam veri kümesini kullanarak
eğitim yapmak uzun sürebilir, bu sırada veri kümesinde değişimler olma i
htimali
de olduğu için, belirli periyotlar halinde modelin güncellenmesi, örneğin 24
saatte bir veya haftalık olarak yeni bir sistem eğitmek gerekir. Sisteminizin
gerçek zamana yakın hızla değişen verilere uyum sağlaması gerekiyorsa, daha
reaktif bir çözüm
e ihtiyaç vardır.
2. Çevrimiçi Öğrenme (Stream Learning)
Klasik öğrenme yaklaşımlarında veri statiktir, yani depolanarak işlenmektedir.
Bazı problem tiplerinde ise, veri hızla akmakta ve değişiklikler anlık olarak
gerçekleşmektedir, bu problem tipleri için
statik verinin nispeten uzun sürelerde
baştan eğitildiği ve bütün verinin tekrar bir eğitim modeli oluşturmak için
kullanıldığı çözüm yöntemleri, ihtiyaçtaki hız ve donanım kısıtları gibi sebeplerle
kullanışsız hale gelmektedir.
Bu yüzden artık veriyi akarken kümeleyecek, kullanıcıya istediği zaman anlık
sonuç verebilecek yöntemlere talep artmaktadır. Sisteme gelen her veri bireysel
olarak ya da küçük partiler olarak adlandırılan mini
-
batch şeklinde modeli
besleyerek kademeli olarak eğitilmektedir. Her öğrenme adımı görece olarak
hızlı ve ucuzdur, bu nedenle sistem, gelen her yeni veri hakkında bilgi edinebilir
gerçek-
zamanlı sistemlerde öğrenme aşamasının çalışma anında da
sürdürülmesi isteniyor ise kullanılır.
Dostları ilə paylaş: |