یادگیری گروهی برای تحلیل داده های جریانی: یک بررسی

در بسیاری از کاربردهای سیستمهای اطلاعاتی، الگوریتمهای یادگیری باید بتوانند در محیطهای پویا کار کنند . محیط هایی که در آن داده ها به شکل جریانهای داده گذرا جمع آوری میشوند. در مقایسه با داده کاوی ایستا، جریانهای در حال پردازش، نیازمندیهای محاسباتی جدیدی را برای الگوریتم ها در نمونه های ورودی فرآیندها تحمیل میکنند و در عین حال، از حافظه و زمان محدود استفاده میکنند. به علاوه، به دلیل مشخصات غیرثابت بخش داده های در حال جریان، مدلهای پیشبینی غالبا نیاز به تطبیق با رانشهای مفهوم دارند. از میان الگوریتم های پیشنهادی جدید جریان، الگوریتم های ترکیبی نقش مهمی را به ویژه برای محیطهای غیرثابت ایفا میکنند. این مقاله، تحقیقات مربوط به الگوریتمهای ترکیبی برای طبقه بندی جریان داده و همچنین رگرسیون را بررسی میکند. علاوه بر ارائه طیف جامعی از رویکردهای ترکیبی برای جریانهای داده، در مورد مفاهیم یادگیری پیشرفته مثل جریانهای داده نامتعادل، تشخیص نو بودن، یادگیری فعال و شبه نظارت شده، نمایش داده های پیچیده، و خروجیهای ساخت یافته نیز بحث میکنیم. این مقاله با بحثی در مورد مشکلات باز و خطوط تحقیقاتی آینده به پایان میرسد.

Keywords:

یادگیری ترکیبی , جریان های داده , رانش مفهوم , یادگیری آنلاین , محیط های غیرثابت