バッチ学習とは、機械学習モデルの訓練パラダイムの一つであり、訓練データセット全体を一度に利用してモデルパラメータを更新する手法を指します。

別名「オフライン学習」とも呼ばれ、モデルが訓練後に静的となり、運用中に新しいデータが流入してもリアルタイムでの適応的な更新は行われません。新しいデータや環境変化に対応するためには、全てのデータを用いてモデル全体を再訓練する必要があります。

この手法では、データセット全体に基づいて勾配が計算され、損失関数の最小化を目指す最適化プロセスが実行されます。データ全体を一括処理するため、勾配降下法における勾配の分散が小さく抑えられ、学習プロセスが安定しやすいという利点があります。これにより、モデルは最適解またはそれに近い局所最適解へ収束する可能性が高まります。

しかしながら、特に大規模データセットを扱う場合、全データをメインメモリにロードする必要があるため、計算資源（メモリやCPU/GPU）を大量に消費するという制約があります。

この計算負荷の高さから、ディープラーニングなどの分野では、データセットを小さな塊に分割して処理するミニバッチ学習が一般的に採用されています。バッチ学習は、データが静的で、頻繁な更新が必要ないタスクに適しています。