امیر کتول - دانشجوی کارشناسی ارشد دانشگاه گلستان گرگان (گرایش نرم افزار)

بخش عظیمی از دنیای تکنولوژی امروز را سیستم هایی تشکیل داده اند که با جریانی پیوسته و سرری از داده کار می کنند (جریان داده). بحث یادگیری در جریان داده با چالش های مختلفی از جمله دسترسی محدود به داده ها و تغییر توزی داده ها در گذر زمان(رانش مفهوم) روبه رو است.در طول دهه اخیر توجه به بحث رانش مفهوم بیشتر شده و شناسایی آن به مسئله محوری در یادگیری آنلاین و دادهکاوی از جریان داده تبدیل شده است .بسیاری از روش های شناسایی رانش مفهوم براساس کنترل عملکرد کلاس بندی کننده و پیش بینی کلاس حقیقی داده ها کار می کنند.دسترسی به کلاس حقیقی داده ها و میزان تاخیر این دسترسی عاملی تعیین کننده در میزان کارایی روش های شناسایی رانش مفهوم در شرایط مختلف است. بر همین اساس، دسته بندی برای روش های شناسایی رانش مفهوم در سال ۲۰۱۵ صورت گرفته است که به سه دسته روش های نظارتی،بدون نظارت و نیمه نظارتی تقسیم می شود.با توجه به اینکه این دسته بندی شامل روش های مطرح شده بعد از سال ۲۰۱۵ نمی باشد؛در این گزارش سعی شده تا با پر کردن ای جای خالی و تکمیل این دسته بندی با روش های شناسایی رانش مفهوم مطرح شده بعد از سال ۲۰۱۵ و معرفی اجمالی هرکدام از آنها، قدمی مثبت در تفکیک این روش ها از هم برداشته شود.

جریان داده، یادگیری ماشین ، رانش مفهوم، روش های شناسایی نظارتی،بدون نظارت،نیمه نظارتی