- 综合排序
- 最热优先
- 最新优先
- 来自专栏算法和应用
在线学习最小 - 最大离散问题
原文标题：Online-Learning for min-max discrete problems 原文摘要：We study various discrete nonlinear combinatorial
90140发布于 2019-07-18 - 来自专栏用户画像
FTRL
本质上，FTRL只是一种适用于online-learning的optimizer； FTRL-Proximal中的Proximal的含义： t+1次迭代的解，不能离t次迭代的解太远；
1.8K30发布于 2018-12-06 - 来自专栏段石石的专栏
常见计算广告点击率预估算法总结
1505207373054.jpg] 如上图，主要包括两大部分：离线部分、在线部分，其中离线部分目标主要是训练出可用模型，而在线部分则考虑模型上线后，性能可能随时间而出现下降，弱出现这种情况，可选择使用Online-Learning 模型建模为一个分类问题，利用LR预测用户点击的概率；通常我们只需要离线收集好数据样本构造数据集，选择好合适的特征空间，离线训练好模型，测试在离线数据集上的性能之后，即可上线，也可以适应数据分布随时间突变严重的情况，采用online-learning
5.3K60发布于 2017-09-13 - 来自专栏量子位
想做好广告点击率模型？你得看看前辈怎么玩的
如上图，主要包括两大部分：离线部分、在线部分，其中离线部分目标主要是训练出可用模型，而在线部分则考虑模型上线后，性能可能随时间而出现下降，弱出现这种情况，可选择使用Online-Learning来在线更新模型 也可以适应数据分布随时间突变严重的情况，采用online-learning的策略来对模型进行相对频繁的更新，模型的简单能够保证这部分的需求能够得到保障。
1.1K50发布于 2018-03-27 - 来自专栏罗超频道
如何让搜索引擎拥有“生命”？
可以说，人脑本身就是一个基于反馈在线学习的系统，Online-learning就是人脑接收环境和外界对于人的“反馈”，以使得人不断调整自己行为的过程，这种学习机制是人类不断自我进步和自我发展的源动力。
70650发布于 2018-04-25 - 来自专栏素质云笔记
推荐系统中传统模型——LightGBM + LR融合
上看到了一个关于CTR的流程，如下图所示： 如上图，主要包括两大部分：离线部分、在线部分，其中离线部分目标主要是训练出可用模型，而在线部分则考虑模型上线后，性能可能随时间而出现下降，弱出现这种情况，可选择使用Online-Learning
2.1K10编辑于 2021-12-07 - 来自专栏AI科技评论
干货 | 如何理解深度学习分布式训练中的large batch size与learning rate的关系？
另一个极端是SGD（stochastic gradient descent），每次计算梯度只用一个样本，这样做的好处是计算快，而且很适合online-learning数据流式到达的场景，但缺点是单个sample
3.1K90发布于 2018-03-14 - 来自专栏PaddlePaddle
十行代码让你的单机“影分身”，分布式训练速度快到飞起
如果使用异步训练模式，可以很好的满足该场景的online-learning需求。 ?
50210发布于 2020-04-07 - 来自专栏机器学习AI算法工程
GBDT+LR算法解析及Python实现
如上图，主要包括两大部分：离线部分、在线部分，其中离线部分目标主要是训练出可用模型，而在线部分则考虑模型上线后，性能可能随时间而出现下降，弱出现这种情况，可选择使用Online-Learning来在线更新模型
1.6K30发布于 2019-10-29 - 来自专栏CSDN技术头条
探寻微博背后的大数据原理：微博推荐算法简述
机器学习模型，这是一个计算过程时序性上的拆解；offline完成模型的训练，在线调用model完成item排序，当然也可以通过online-learning或实时特征值完成模型的实时更新。
1.7K50发布于 2018-02-07 - 来自专栏机器学习与统计学
GBDT+LR算法解析及Python实现
如上图，主要包括两大部分：离线部分、在线部分，其中离线部分目标主要是训练出可用模型，而在线部分则考虑模型上线后，性能可能随时间而出现下降，若出现这种情况，可选择使用 Online-Learning 来在线更新模型
1.5K20发布于 2019-10-28 - 来自专栏Python数据科学
GBDT+LR算法解析及Python实现
如上图，主要包括两大部分：离线部分、在线部分，其中离线部分目标主要是训练出可用模型，而在线部分则考虑模型上线后，性能可能随时间而出现下降，若出现这种情况，可选择使用 Online-Learning 来在线更新模型
93310发布于 2019-10-23 - 来自专栏人工智能头条
深度解析京东个性化推荐系统演进史
特征服务平台主要用于提供大量多维度的特征信息，推荐场景回放技术是指通过用户实时场景特征信息反馈到推荐排序，在线学习（Online-Learning）和深度学习都是大规模特征计算的个性化服务。
1.4K30发布于 2018-06-05 - 来自专栏机器学习AI算法工程
微博推荐算法如何设计
机器学习模型，这是一个计算过程时序性上的拆解；offline完成模型的训练，在线调用model完成item排序，当然也可以通过online-learning或实时特征值完成模型的实时更新。
4.4K120发布于 2018-03-13 - 来自专栏用户画像
微博推荐算法简述
机器学习模型，这是一个计算过程时序性上的拆解；offline完成模型的训练，在线调用model完成item排序，当然也可以通过online-learning或实时特征值完成模型的实时更新。
1.6K10发布于 2019-11-28 - 来自专栏TechFlow
原创 | 万字长文，剖析经典论文GBDT+LR
这也是为什么各大公司要做online-learning的原因。 online learning 在接下来的内容当中，paper还为我们介绍了一些online learning的细节性问题。
1K30发布于 2020-10-27 - 来自专栏CreateAMind
深度强化学习调研概览及最新论文成果（一）RL base & DQN-DDPG-A3C introduction
（当然没有天下免费的午餐，这种方法也有弊端，比如off-policy受到了限制，也不是真正的online-learning，具体在A3C部分会展开分析） separate Target Network
1.5K40发布于 2018-07-24 - 来自专栏Spark学习技巧
深度解析京东个性化推荐系统演进史
特征服务平台主要用于提供大量多维度的特征信息，推荐场景回放技术是指通过用户实时场景特征信息反馈到推荐排序，在线学习（Online-Learning）和深度学习都是大规模特征计算的个性化服务。
1.8K100发布于 2018-01-31 - 来自专栏架构师小秘圈
一线互联网智能推荐系统架构演进
特征服务平台主要用于提供大量多维度的特征信息，推荐场景回放技术是指通过用户实时场景特征信息反馈到推荐排序，在线学习（Online-Learning）和深度学习都是大规模特征计算的个性化服务。
6.4K110发布于 2018-04-18 - 来自专栏Java后端技术栈
深度解析京东个性化推荐系统演进史！
特征服务平台主要用于提供大量多维度的特征信息，推荐场景回放技术是指通过用户实时场景特征信息反馈到推荐排序，在线学习（Online-Learning）和深度学习都是大规模特征计算的个性化服务。
1.9K11发布于 2018-08-09
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号