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 mining

• 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))

Eventos

• Workshop internacional sobre Onipresente de Mineração de Dados , realizada em conjunto com a International Joint Conference on Artificial Intelligence (IJCAI) , em Pequim, China, agosto, 3 a 5, de 2013.
• Workshop internacional sobre Descoberta de Conhecimento a partir Onipresente Fluxos de Dados realizada em conjunto com a 18ª Conferência Europeia sobre Aprendizado de Máquina (ECML) e a 11ª Conferência Europeia sobre Princípios e Práticas de Descoberta de Conhecimento em Bases de dados (PKDD) , em Varsóvia, Polônia, em setembro de 2007.
• ACM Simpósio de Computação Aplicada a Fluxos de Dados, Acompanhar realizada em conjunto com o de 2007, ACM Simpósio de Computação Aplicada (SAC-2007) em Seul, Coréia, em Março de 2007.
• IEEE International Workshop sobre Mineração de Evolução e de Transmissão de Dados (IWMESD 2006) , a ser realizada em conjunto com a 2006 IEEE Conferência Internacional sobre Mineração de Dados (ICDM-2006) em Hong Kong , em dezembro de 2006.
• Quarta Workshop Internacional de Descoberta de Conhecimento a partir de Fluxos de Dados (IWKDDS) , a ser realizada em conjunto com a 17ª Conferência Europeia sobre Aprendizado de Máquina (ECML) e a 10ª Conferência Europeia sobre Princípios e Práticas de Descoberta de Conhecimento em Bases de dados (PKDD) (ECML/PKDD-2006) em Berlim, Alemanha, em setembro de 2006.

Ver também

• Conceito de deriva
• Mineração De Dados
• Sequência de mineração
• Streaming Algoritmo
• Processamento de fluxo de
• Rede de sensores sem fio
• Lambda arquitetura

Livros

• Gama; Gaber, eds. (2007). Learning from Data Streams: Processing Techniques in Sensor Networks. [S.l.: s.n.] ISBN 9783540736783. doi:10.1007/3-540-73679-4 
• Ganguly; Gama; Omitaomu; Gaber; Vatsavai, eds. (2008). Knowledge Discovery from Sensor Data. Col: Industrial Innovation. [S.l.: s.n.] ISBN 9781420082326 
• Gama, João (2010). Knowledge Discovery from Data Streams. Col: Data Mining and Knowledge Discovery. [S.l.: s.n.] ISBN 9781439826119 
• Lughofer, Edwin (2011). Evolving Fuzzy Systems - Methodologies, Advanced Concepts and Applications. Col: Studies in Fuzziness and Soft Computing. 266. [S.l.: s.n.] ISBN 9783642180866. doi:10.1007/978-3-642-18087-3 
• Sayed-Mouchaweh; Lughofer, eds. (2012). Learning in Non-Stationary Environments: Methods and Applications. [S.l.: s.n.] ISBN 9781441980199. doi:10.1007/978-1-4419-8020-5 

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