Aprentissage incrémental
L’apprentissage incrémental (ou apprentissage incrémentiel) est une méthode de machine learning dans laquelle des données d’entrée sont utilisées en permanence pour étendre les connaissances du modèle existant, c’est-à-dire pour poursuivre la formation du modèle.
Il s'agit d'une technique dynamique d’apprentissage supervisé et non supervisé qui peut être appliquée lorsque les données deviennent progressivement disponibles ou que leur taille dépasse celle de la mémoire du système qui les traite. Les algorithmes pouvant faciliter l'apprentissage incrémental sont connus sous le nom d'algorithmes d'apprentissage incrémental.
De nombreux algorithmes traditionnels d’apprentissage automatique prennent en charge l’apprentissage incrémental. D'autres algorithmes peuvent être adaptés pour faciliter l'apprentissage incrémental. Des exemples d'algorithmes incrémentaux comprennent des arbres de décision (IDE 4 , ID5 R ), décisi des règles , les réseaux de neurones artificiels (réseau RBF de , savoir + + , ARTM Fuzzy A P [ 6], TopoAR T et IGN G ) ou le SVM incrémental .
L’apprentissage incrémental a pour objectif de permettre au modèle d’apprentissage de s’adapter à de nouvelles données sans oublier ses connaissances existantes, il ne refait pas le modèle. Certains apprenants incrémentaux intègrent un paramètre ou une hypothèse permettant de contrôler la pertinence des anciennes données, tandis que d’autres, appelés algorithme stables d’apprentissage automatique incrémental, apprennent des représentations des données d’entrainement qui ne sont pas oubliées au fil du temps. Fuzzy ART et TopoART sont deux exemples de cette seconde approche.
Des algorithmes incrémentaux sont fréquemment appliqués aux flux de données ou aux mégadonnées du Big Data, résolvant les problèmes de disponibilité des données et de rareté des ressources. La prévision des tendances des stocks et le profilage des utilisateurs sont des exemples de flux de données dans lesquels de nouvelles données sont disponibles en permanence. L’application de l’apprentissage incrémental au big data vise à produire plus rapidement la classification ou la prévision.
