線上學習 是什麼？

Online Learning — 線上學習 的完整解釋

線上學習是一種機器學習方法，模型在接收到每個新資料點後立即更新，無需儲存所有資料或進行批次訓練，適用於資料流場景。

容易混淆

線上學習 vs 批次學習

批次學習像期末考前才總複習的學生，一次把所有資料學完；線上學習像每天寫作業的學生，有新進度就立刻學，更靈活，適合資料不斷湧入的場景。

最關鍵的區別：一個即時更新，一個集中訓練。

線上學習 vs 批次學習

線上學習邊來邊學，批次學習是一批資料看完再訓練

最關鍵的區別：更新頻率和資料進來的方式不同。

記住這句就好

有新資料進來，就邊看邊修正

實際案例

案例 1：信用卡風控每天吃進交易流，發現新型詐騙就立刻調整

這種情況下，線上學習 會幫你把原本手工或靠直覺的步驟變得更穩。

案例 2：推薦系統根據新點擊紀錄快速修正偏好

另一個常見場景也能看出 線上學習 的價值，因為它處理的是同一種核心問題。

算法與應用

核心意思就是：有新資料進來，就邊看邊修正。

適合串流、即時風控和分布會漂移的場景

要注意災難性遺忘，因為新資料可能把舊知識蓋掉

情境判斷

Q1（直覺題）： 信用卡風控每天吃進交易流，發現新型詐騙就立刻調整 這種情況，會先想到 線上學習 嗎？

→ 會，因為它正好在處理這件事的核心問題，只是還要看資料乾不乾淨、流程穩不穩。

Q2（判斷題）： 資料分布很穩時，還一定要用線上學習嗎？

→ 看情況，若資料固定且追求穩定，批次學習可能更省心

常見問題

線上學習和批次學習的主要區別是什麼？

線上學習逐個接收資料樣本並即時更新模型，而批次學習則在整個訓練資料集上進行訓練。 線上學習適用於資料流場景，批次學習通常可以獲得更高的準確性。

線上學習有哪些常見的演算法？

常見的線上學習演算法包括隨機梯度下降 (SGD)、被動-積極學習 (Passive-Aggressive Learning)、自適應次梯度方法 (AdaGrad、RMSProp、Adam) 和線上支援向量機 (Online SVM)。

線上學習在哪些實際應用中比較有用？

線上學習在垃圾郵件過濾、股票市場預測、推薦系統、網路安全、物聯網和機器人控制等領域都有廣泛的應用，特別是在資料量大、資料分布不斷變化的場景中。