«online» etiketlenmiş sorular

Çevrimiçi algoritmalar, hesaplama sırasında gelen verilerle yinelemeli olarak gerçekleştirilen hesaplamaları ifade eder. İnternete odaklanan sorular için lütfen "internet" etiketini kullanın.

3
Çevrimiçi vs çevrimdışı öğrenme?
Çevrimdışı ve çevrimiçi öğrenme arasındaki fark nedir ? Bu sadece veri kümesinin tamamında (çevrimdışı) veya artımlı olarak öğrenme (bir seferde bir örnek) hakkında mı? Her ikisinde de kullanılan algoritma örnekleri nelerdir?

7
“Çalışan” doğrusal veya lojistik regresyon parametrelerini hesaplamak için algoritmalar var mı?
Http://www.johndcook.com/standard_deviation.html adresindeki "Doğru çalışan bilgisayar varyasyonu" adlı bir makale , çalışan ortalama, varyans ve standart sapmaların nasıl hesaplandığını gösterir. Her yeni eğitim kaydı sağlandığında doğrusal veya lojistik bir regresyon modelinin parametrelerinin benzer şekilde "dinamik olarak" güncellenebileceği algoritmalar var mı?

1
Sanat akım öğrenme öğrenme
Son zamanlarda büyük veri kümeleriyle çalışıyorum ve çok sayıda akış yöntemi buldum. Birkaç isim: Düzenli Lider ve Ayna İnişini Takip Etme: Eşdeğerlik Teoremleri ve L1 Düzenlemesi ( http://jmlr.org/proceedings/papers/v15/mcmahan11b/mcmahan11b.pdf ) Akışlı Öğrenme: Bir Geçişli SVM'ler ( http://www.umiacs.umd.edu/~hal/docs/daume09onepass.pdf ) Pegasos: SVM için Primal Tahmini Alt GrAdient SOlver http://ttic.uchicago.edu/~nati/Publications/PegasosMPB.pdf veya burada: SVM her …

3
Veri kümesindeki değişiklikten sonra eski standart sapmayı kullanarak yeni standart sapmanın hesaplanması
Ortalama μ o l d ve standart sapma σ o l d olan gerçek değerler dizim var . X i dizisinin bir elemanı başka bir x j elemanı ile değiştirilirse , yeni ortalamannnμoldμold\mu_{old}σoldσold\sigma_{old}xixix_ixjxjx_j μnew=μold+xj−xinμnew=μold+xj−xin\mu_{new}=\mu_{old}+\frac{x_j-x_i}{n} Bu yaklaşımın avantajı, değerine bakılmaksızın sürekli hesaplama gerektirmesidir . Hesaplamak için bir yaklaşım, var σ n …


3
Online ve batch Learning arasındaki fark nedir?
Şu anda John Duchi ve Yoram Singer'ın Forward-Backward Splitting'i kullanarak Efficient Online ve Batch Learning makalesini okudum . 'Çevrimiçi' ve 'Toplu' terimlerinin kullanımıyla ilgili çok kafam karıştı. 'Çevrimiçi' ifadesinin, eğitim verilerinin bir birimini işledikten sonra ağırlık parametrelerini güncellediğimizi düşündüm. Ardından egzersiz verilerinin bir sonraki birimini işlemek için yeni ağırlık parametrelerini …


2
Üstel ağırlıklı hareketli çarpıklık / basıklık
Üstel ağırlıklı hareketli ortalamaları ve bir işlemin standart sapmalarını hesaplamak için iyi bilinen çevrimiçi formüller vardır (xn)n=0,1,2,…(xn)n=0,1,2,…(x_n)_{n=0,1,2,\dots} . Ortalama olarak, μn=(1−α)μn−1+αxnμn=(1−α)μn−1+αxn\mu_n = (1-\alpha) \mu_{n-1} + \alpha x_n ve varyans için σ2n=(1−α)σ2n−1+α(xn−μn−1)(xn−μn)σn2=(1−α)σn−12+α(xn−μn−1)(xn−μn)\sigma_n^2 = (1-\alpha) \sigma_{n-1}^2 + \alpha(x_n - \mu_{n-1})(x_n - \mu_n) standart sapmayı hesaplayabilirsiniz. Üstel ağırlıklı üçüncü ve dördüncü merkezi anların …

3
Çevrimiçi öğrenmede düzenlileştirme ve özellik ölçeklendirme?
Diyelim ki lojistik regresyon sınıflandırıcım var. Normal toplu öğrenmede, aşırı sığmayı önlemek ve ağırlıkları küçük tutmak için düzenli bir terim olurdu. Ayrıca özelliklerimi normalleştirip ölçeklendirirdim. Çevrimiçi öğrenme ortamında sürekli bir veri akışı alıyorum. Her örnekle degrade iniş güncellemesi yapıyorum ve sonra atıyorum. Çevrimiçi öğrenmede özellik ölçeklendirme ve düzenleme terimini kullanmam …

1
“Heywood Kasası” nın kesin tanımı nedir?
"Heywood Case" terimini, gayri resmi olarak, çevrimiçi, 'sonlu tepki' sayısal olarak yinelenen varyans tahmininin sayısal kesinlik sorunları nedeniyle negatif hale geldiği durumlara atıfta bulunmak için gayri resmi olarak kullanıyordum. (Veri eklemek ve eski verileri kaldırmak için Welford'un yönteminin bir varyantını kullanıyorum.) Sayısal hata veya modelleme hatası nedeniyle bir varyans tahmininin …

2
Gözlemleri saklamadan çeyreklerin çevrimiçi tahmini
Çeyrekleri (Q1, medyan ve Q3) büyük bir veri setinde gözlemleri saklamadan gerçek zamanlı olarak hesaplamam gerekiyor. İlk önce P kare algoritmasını (Jain / Chlamtac) denedim ama memnun kalmadım (biraz fazla cpu kullanımı ve en azından veri setimdeki hassasiyetle ikna olmadım). Şimdi FAME algoritmasını ( Feldman / Shavitt ) medyanı anında …

5
Özyinelemeli (çevrimiçi) düzenli en küçük kareler algoritması
Birisi beni Tikhonov Düzenlemesi (düzenli en küçük kareler) için çevrimiçi (özyinelemeli) bir algoritma yönünde gösterebilir mi? Çevrimdışı bir ayarda, λ'nın n katlama çapraz doğrulaması kullanılarak bulunduğu orijinal veri β^=(XTX+λI)−1XTYβ^=(XTX+λI)−1XTY\hat\beta=(X^TX+λI)^{−1}X^TY kullanarak \ hat \ beta = (X ^ TX + λI) ^ {- 1} X ^ TY değerini hesaplardım λλλ. Y …

1
Çevrimiçi, ölçeklenebilir istatistiksel yöntemler
Bu, çok ilginç bulduğum Verimli çevrimiçi doğrusal regresyondan ilham aldı . Ana belleğe sığmayacak kadar büyük veri kümeleriyle hesaplamanın ve belki de etkili bir şekilde alt örneklemeye dönüştürülemeyen büyük ölçekli istatistiksel hesaplamaya ayrılmış metinler veya kaynaklar var mı? Örneğin, karma efekt modellerini çevrimiçi bir şekilde takmak mümkün müdür? MLE için …

1
Çevrimdışı ve çevrimiçi öğrenmede model seçimi
Son zamanlarda çevrimiçi öğrenme hakkında daha fazla bilgi edinmeye çalışıyorum (kesinlikle büyüleyici!) Ve iyi bir kavrama elde edemediğim bir tema, çevrimdışı ve çevrimiçi bağlamlarda model seçimi hakkında nasıl düşünüleceğidir. Özellikle, bazı sabit veri seti temel alarak bir sınıflandırıcısını çevrimdışı eğittiğimizi varsayalım . Performans özelliklerini çapraz doğrulama ile tahmin ediyoruz ve …

2
Artımlı Gauss Süreci Regresyonu
Bir akış yoluyla tek tek gelen veri noktaları üzerinde kayan bir pencere kullanarak artımlı bir gauss işlemi regresyonu uygulamak istiyorum. İzin Vermek dddgirdi uzayının boyutsallığını gösterir. Yani, her veri noktasıxbenxix_iyer alır elemanların sayısı.ddd sürgülü pencerenin boyutu olsun .nnn Tahminler yapmak için, bir gram matris tersini hesaplamak için gereken , k …

Sitemizi kullandığınızda şunları okuyup anladığınızı kabul etmiş olursunuz: Çerez Politikası ve Gizlilik Politikası.
Licensed under cc by-sa 3.0 with attribution required.