大规模机器学习(随机梯度下降,在线学习,减少映射(map reduce),数据并行化)

1.对于三类梯度下降的算法可以参考这个链接的解释https://blog.csdn.net/uestc_c2_403/article/details/74910107

2.大规模机器学习(在线学习机制）

        试用这个情况的类型是：有连续的数据流(如果用户什么的很少的情况下，就不需要使用在线学习了)；用户不太固定的情况(如果用户不太固定，那么对于他的推荐也是很不唯一的，需要临时变化，所以需要重新学习参数)

        这个在线学习和随机梯度下降的区别：

        (1)随机梯度下降，他的参数是一次次保持，然后基于上一次的参数去再进行学习的，只不过所用的样本不是唯一固定的。such as，在样本1上面学习到的参数是b,再将b这个参数作为样本2(不一定是按照顺序的，在进行随机梯度下降的时候，需要打乱一下顺序Shuffle)的初始参数，在2里面再进行更新。

        (2)对于基于用户的在线学习，每一个用户的参数都需要各自进行学习，之间的参数没有依赖关系，对于不同的用户，他的参数学习是不一样的(可以理解为相互独立)。

3.减少映射(map reduce)

        这个思想很重要，用来解决随机梯度下降不能解决的更大规模的问题。

        其实mapreduce就是并行化的处理思想，将比较独立的数据运算分配到多个核或者线程上面进行计算，最后再合并的而思想。