Data stream mining: diferenças entre revisões
m Bot: Substituição automática de afluentes - solicitado em Usuária:Aleth Bot/Substituição de afluentes |
Adicionando Referencias e conectores aos assuntos citados no verbete |
||
Linha 1: | Linha 1: | ||
'''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. |
'''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]].<ref>{{Citar periódico |url=https://doi.org/10.1145/1083784.1083789 |titulo=Mining data streams: a review |data=2005-06-01 |acessodata=2021-08-19 |jornal=ACM SIGMOD Record |número=2 |ultimo=Gaber |primeiro=Mohamed Medhat |ultimo2=Zaslavsky |primeiro2=Arkady |paginas=18–26 |doi=10.1145/1083784.1083789 |issn=0163-5808 |ultimo3=Krishnaswamy |primeiro3=Shonali}}</ref> |
||
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|aprendizagem incrementais]] para lidar com alterações estruturais, [[Aprendizado|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|conceito de deriva]]. |
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 [[Aprendizado de máquina|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|aprendizagem incrementais]] para lidar com alterações estruturais, [[Aprendizado|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|conceito de deriva]].<ref>{{Citar periódico |url=https://doi.org/10.1145/543613.543615 |titulo=Models and issues in data stream systems |data=2002-06-03 |acessodata=2021-08-18 |publicado=Association for Computing Machinery |ultimo=Babcock |primeiro=Brian |ultimo2=Babu |primeiro2=Shivnath |series=PODS '02 |local=Madison, Wisconsin |paginas=1–16 |doi=10.1145/543613.543615 |isbn=978-1-58113-507-7 |ultimo3=Datar |primeiro3=Mayur |ultimo4=Motwani |primeiro4=Rajeev |ultimo5=Widom |primeiro5=Jennifer}}</ref><ref>{{Citar periódico |url=https://link.springer.com/chapter/10.1007/978-3-319-17551-5_4 |titulo=A Survey on Supervised Classification on Data Streams |data=2014-07-06 |acessodata=2021-08-19 |publicado=Springer, Cham |ultimo=Lemaire |primeiro=Vincent |ultimo2=Salperwyck |primeiro2=Christophe |paginas=88–125 |lingua=en |doi=10.1007/978-3-319-17551-5_4 |ultimo3=Bondu |primeiro3=Alexis}}</ref> |
||
Exemplos de data streams incluem o computador de tráfego de rede, conversas por telefone, transações em ATM, pesquisas na web e dados de sensor. |
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 [[:en:Data mining|data mining]], [[ |
Data stream mining pode ser considerada um subcampo de [[:en:Data mining|data mining]], [[Aprendizado de máquina|machine learning]], e [[Extração de conhecimento|descoberta de conhecimento]].<ref>{{Citar web |url=https://users.monash.edu/~mgaber/WResources.htm |titulo=Mining Data Streams Bibliography |acessodata=2021-08-19 |website=users.monash.edu}}</ref> |
||
== Software de data stream mining == |
== Software de data stream mining == |
||
*[[MOA|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 estatística|classificação]], [[Regressão (estatística)|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 [[Weka]][[ |
*[[MOA|MOA (Online Massivo e Análise)]]: [[Software Livre|free open-source software]] específico para a mining data streams com o conceito de deriva. Ele possui diversos algoritmos de aprendizado ([[Classificação estatística|classificação]], [[Regressão (estatística)|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 [[Conjunto de dados|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 [[Weka]][[Aprendizado de máquina|machine learning]]. |
||
*[[RapidShare|RapidMiner]]: |
*[[RapidShare|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 == |
== Eventos == |
||
Linha 22: | Linha 22: | ||
*[[Conceito|Conceito de deriva]] |
*[[Conceito|Conceito de deriva]] |
||
* |
*[[Mineração de dados|Mineração De Dados]] |
||
*[[Sequência|Sequência de mineração]] |
*[[Sequência|Sequência de mineração]] |
||
*[[Streaming|Streaming Algoritmo]] |
*[[Streaming|Streaming Algoritmo]] |
||
* |
*[[Stream processing|Processamento de fluxo de]] |
||
* |
*[[RSSF|Rede de sensores sem fio]] |
||
*[[Lambda|Lambda arquitetura]] |
*[[Lambda|Lambda arquitetura]] |
||
Linha 37: | Linha 37: | ||
* {{Citar livro|url=https://www.springer.com/us/book/9781441980199|título=Learning in Non-Stationary Environments: Methods and Applications|data=2012|editor-sobrenome=Sayed-Mouchaweh|doi=10.1007/978-1-4419-8020-5|isbn=9781441980199|editor-sobrenome2=Lughofer}} |
* {{Citar livro|url=https://www.springer.com/us/book/9781441980199|título=Learning in Non-Stationary Environments: Methods and Applications|data=2012|editor-sobrenome=Sayed-Mouchaweh|doi=10.1007/978-1-4419-8020-5|isbn=9781441980199|editor-sobrenome2=Lughofer}} |
||
{{Referências}} |
|||
* Mohamed Medhat Gaber, Arkady Zaslavsky, e Shonali Krishnaswamy, [https://dx.doi.org/10.1145/1083784.1083789 "Mineração de Sequências de Dados: Uma Revisão"], ''ACM SIGMOD Record'', Vol. 34, No. 2, junho de 2005, pp. 18–26. |
|||
* Brian Babcock, Shivnath Babu, Mayur Datar, Rajeev Motwani, e Jennifer Widom, [https://dx.doi.org/10.1145/543613.543615 "Modelos e Problemas de Fluxo de Dados de Sistemas"], no ''Proc. 21 de ACM SIGACT-SIGMOD-SIGART Simpósio sobre Princípios de Sistemas de Banco de dados PODS (2002), Madison, Wisconsin, EUA'', junho de 2002. |
|||
* Classificação supervisionada em Fluxos de Dados - [https://rd.springer.com/chapter/10.1007/978-3-319-17551-5_4 "Um Inquérito sobre a Classificação Supervisionada em Fluxos de Dados"] |
|||
* [http://www.csse.monash.edu.au/~mgaber/WResources.htm Mineração De Sequências De Dados De Bibliografia] |
|||
[[Categoria:Inteligência empresarial]] |
[[Categoria:Inteligência empresarial]] |
Edição atual tal como às 05h09min de 19 de agosto de 2021
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[editar | editar código-fonte]
- 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[editar | editar código-fonte]
- 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[editar | editar código-fonte]
- Conceito de deriva
- Mineração De Dados
- Sequência de mineração
- Streaming Algoritmo
- Processamento de fluxo de
- Rede de sensores sem fio
- Lambda arquitetura
Livros[editar | editar código-fonte]
- 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
- ↑ 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
- ↑ 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
- ↑ 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
- ↑ «Mining Data Streams Bibliography». users.monash.edu. Consultado em 19 de agosto de 2021