Training data 전체를 메모리상에 보관하면서 test 데이터가 새로 들어왔을 때 바로 학습하는 방법
장점
추가적인 학습 시간 없이, 곧바로 학습 결과를 얻을 수 있다.
단점
메모리상에 training data 를 항상 보관하고 있어야 하므로, 메모리 용량보다 초과하는 데이터의 경우 Lazy Learning 을 적용할 수 없음
Related
Eager Learning 은 Lazy Learning 의 반대 방법
Training data 전체를 메모리상에 보관하면서 test 데이터가 새로 들어왔을 때 바로 학습하는 방법
추가적인 학습 시간 없이, 곧바로 학습 결과를 얻을 수 있다.
메모리상에 training data 를 항상 보관하고 있어야 하므로, 메모리 용량보다 초과하는 데이터의 경우 Lazy Learning 을 적용할 수 없음
Eager Learning 은 Lazy Learning 의 반대 방법
...학습 시에만 메모리에 보관되며 학습 이후에는 training 데이터를 메모리에서 제거한다. 이후, test 데이터를 분류 또는 예측할 때만 test 데이터를 메모리에 적재한다. Vs. Lazy Learning Eager Learning 은 Lazy learning 보다 메모리를 효율적으로 사용할 수 있다. 하지만 메모리 적재 시간이 필요하므로, Lazy learning 보다 학습 시간이 오...
...imensionality 에 의해 성능 저하가 발생한다. 이에 대한 이슈를 해소하기 위해 locality sensitive hashing 을 이용하기도 한다. KNN 은 학습 과정에서 Lazy learning 방법을 사용한다.
일반적인 학습 과정으로, training 데이터로 일정 기간 학습시킨 후, 학습시킨 모델을 기반으로 테스트 데이터를 적용하는 방법
어떤 문제를 푸냐에 따라 방식이 달라진다: 분류 또는 회귀.
metric learning 은 데이터 포인트 간의 거리를 측정하는 방법을 학습하는 기법입니다.
machine learning/learning paradigms/Inductive Learning 학습의 목적이 최적의 parameters 를 추정하는 학습을 의미한다. 즉, 모델을 구축하기 때문에 새로운 데이터가 입력으로 들어왔을 때, 알고리즘을 처음부터 재시작할 필요성이 없다. 예) machine...
Contrastive learning 은 비슷해야 하는 pair 는 embedding 공간에서 가깝게, 달라야 하는 pair 는 멀게 학습하는 representation learning 방법이다.
모아둔 데이터로 한 번에 학습을 끝내고, 완성된 모델을 배포해 쓰는 방식이다. batch learning 이라고도 한다. 새 데이터가 쌓이면 전체를 다시 학습시켜 모델을 교체한다.
Semi-supervised learning은 label이 있는 데이터와 label이 없는 데이터를 함께 써서 모델을 학습하는 설정이다. label은 비싸고 unlabeled data는 많은 상황에서 자주 등장한다.
hard negative 는 False Positive 의 일종으로, 실제로는 negative 인데 positive 라고 잘못 예측하기 쉬운 데이터다.
학습의 목적이 parameters 가 아닌 학습을 의미한다.즉, 모델을 구축하지 않아서 새로운 데이터가 입력으로 들어왔을 때, 알고리즘을 처음부터 재학습할 필요성이 존재한다.
Joint-training consists of training together multiple networks with different learning objectives in order to benefit from the synergy of the learning.