Incremental learning là gì?

Trong khoa học máy tính (computer science), học tiệm tiến (incremental learning) là một phương pháp học máy (machine learning) trong đó dữ liệu đầu vào (input data) được sử dụng liên tục để mở rộng tri thức (knowledge) của mô hình (model) hiện có, tức là huấn luyện (train) thêm mô hình. Các thuật toán (algorithm) có thể hổ trợ học tiệm tiến (incremental learning) được gọi là thuật toán học máy tiệm tiến (incremental machine learning algorithm).

Nhiều thuật toán học máy truyền thống vốn đã hỗ trợ học tiệm tiến (incremental learning). Các thuật toán khác có thể được điều chỉnh để hổ trợ học tiệm tiến (incremental learning). Ví dụ về thuật toán học máy tiệm tiến bao gồm cây quyết định (IDE4, ID5R và gaenari), quy tắc ra quyết định (decision rule), mạng nơ-ron nhân tạo (mạng RBF, Learn ++, Fuzzy ARTMAP, TopoART, và IGNG) hoặc incremental SVM.

Mục đích của học tiệm tiến (incremental learning) là để mô hình học tập thích ứng với dữ liệu mới mà không quên tri ​​thức hiện có của nó. Các thuật toán học máy tiệm tiến thường được áp dụng cho các luồng dữ liệu (data stream) hoặc dữ liệu lớn (big data), giải quyết các vấn đề về tính khả dụng (availability) của dữ liệu và sự khan hiếm tài nguyên. Dự đoán xu hướng cổ phiếu là một ví dụ về luồng dữ liệu trong đó dữ liệu mới liên tục có sẵn. Việc áp dụng học tiệm tiến (incremental learning) vào dữ liệu lớn nhằm mục đích tạo ra thời gian phân loại (classification) hoặc dự báo (forecast) nhanh hơn.