Data stream mining

Data Stream Mining é o processo de extrair estruturas de conhecimento de registros de dados rápidos e contínuos. Uma data stream é uma sequência ordenada de instâncias que, em muitas aplicações de data stream mining, pode ser lida apenas uma vez ou poucas vezes, usando recursos limitados de computação e armazenamento.[1]

Em muitas aplicações de data stream mining, seu objetivo é prever a classe ou valor das novas instâncias da data stream dado um conhecimento sobre membros de classe e valores anteriores da data stream. As técnicas de machine learning podem ser utilizadas para a previsão de tarefas a partir de exemplos de rotulados de forma automatizada. Muitas vezes, os conceitos do campo da aprendizagem incrementais para lidar com alterações estruturais, aprendizado on-line e demandas em tempo real. Em muitas aplicações, especialmente de operação não estacionárias, uma distribuição subjacente pode ser usada como uma regra para a sua rotulagem, mudando ao longo do tempo. Este problema é conhecido como conceito de deriva.[2][3]

Exemplos de data streams incluem o computador de tráfego de rede, conversas por telefone, transações em ATM, pesquisas na web e dados de sensor. Data stream mining pode ser considerada um subcampo de data mining, machine learning, e descoberta de conhecimento.[4]

Software de data stream miningEditar

  • MOA (Online Massivo e Análise): free open-source software específico para a mining data streams com o conceito de deriva. Ele possui diversos algoritmos de aprendizado (classificação, regressão, clustering, detecção de anexos e recommender systems). Também contém um prequential método de avaliação, o EDDM conceito deriva de métodos, um leitor de ARFF real conjuntos de dados, e artificial fluxo de geradores, como o SEA conceitos, STAGGER, girando hiperplano, árvore aleatória e aleatória radius baseado em funções. MOA suporte bi-direcional interação com Wekamachine learning.
  • RapidMiner: Software comercial para descoberta de conhecimento, data mining e machine learning também com data stream mining, a aprendizagem de diferentes conceitos e o conceito de acompanhamento à deriva (se utilizado em combinação com o seu data stream mining de plugin (anteriormente:plugin do Conceito Deriva))

EventosEditar

Ver tambémEditar

LivrosEditar

Referências

  1. Gaber, Mohamed Medhat; Zaslavsky, Arkady; Krishnaswamy, Shonali (1 de junho de 2005). «Mining data streams: a review». ACM SIGMOD Record (2): 18–26. ISSN 0163-5808. doi:10.1145/1083784.1083789. Consultado em 19 de agosto de 2021 
  2. Babcock, Brian; Babu, Shivnath; Datar, Mayur; Motwani, Rajeev; Widom, Jennifer (3 de junho de 2002). «Models and issues in data stream systems». Madison, Wisconsin: Association for Computing Machinery. PODS '02: 1–16. ISBN 978-1-58113-507-7. doi:10.1145/543613.543615. Consultado em 18 de agosto de 2021 
  3. Lemaire, Vincent; Salperwyck, Christophe; Bondu, Alexis (6 de julho de 2014). «A Survey on Supervised Classification on Data Streams». Springer, Cham (em inglês): 88–125. doi:10.1007/978-3-319-17551-5_4. Consultado em 19 de agosto de 2021 
  4. «Mining Data Streams Bibliography». users.monash.edu. Consultado em 19 de agosto de 2021