En el aprendizaje incremental (u online learning), el modelo procesa los datos de a uno o en pequeños grupos a medida que van llegando, ajustando sus parámetros progresivamente, en lugar de esperar a acumular un conjunto de datos completo para entrenarse de una sola vez (aprendizaje por lotes).
Dónde es especialmente útil
Es valioso en situaciones donde los datos llegan de forma continua y en grandes volúmenes —como el comportamiento de usuarios en tiempo real— o donde los patrones subyacentes cambian con el tiempo y el modelo necesita adaptarse constantemente sin reentrenarse por completo cada vez.