Массивный онлайн-анализ
 | Тема этой статьи может не соответствовать рекомендациям Википедии по известности продуктов и услуг . ( май 2013 г. ) |
| Разработчик(и) | Университет Вайкато |
|---|---|
| Стабильная версия | 24.07.0 [1] / 18 июля 2024 г |
| Репозиторий | |
| Операционная система | Кросс-платформенный |
| Тип | Машинное обучение |
| Лицензия | Стандартная общественная лицензия GNU |
| Веб-сайт | так |
Massive Online Analysis ( MOA ) — это бесплатный программный проект с открытым исходным кодом, предназначенный для анализа потоков данных с изменением концепций . Он написан на Java и разработан в Университете Вайкато , Новая Зеландия . [2]
Описание
[ редактировать ]MOA — это программное обеспечение с открытым исходным кодом, которое позволяет создавать и проводить эксперименты.машинного обучения или интеллектуального анализа данных в развивающихся потоках данных. Он включает в себя набор обучающихся и генераторов потоков, которые можно использовать из графического интерфейса пользователя (GUI), командной строки и API Java.MOA содержит несколько коллекций алгоритмов машинного обучения:
- Классификация
- Байесовские классификаторы
- Наивный Байес
- Наивный многочлен Байеса
- Классификаторы деревьев решений
- Решение Пень
- Дерево Хоффдинга
- Дерево вариантов Хёффдинга
- Адаптивное дерево Хеффдинга
- Метаклассификаторы
- Упаковка
- Повышение
- Упаковка с использованием ADWIN
- Упаковка с использованием деревьев Хоффдинга адаптивного размера.
- Перцептронное наложение ограниченных деревьев Хеффдинга
- Использование упаковки
- Обновленный ансамбль онлайн-точности
- Классификаторы функций
- Персептрон
- Стохастический градиентный спуск (SGD)
- Пегас
- Классификаторы дрейфа
- Самонастраивающаяся память [3]
- Вероятностное адаптивное окно
- Классификаторы с несколькими метками [4]
- активного обучения Классификаторы [5]
- Байесовские классификаторы
- Регрессия
- Кластеризация [8]
- СтримКМ++
- КлуСтрим
- КласДерево
- D-поток
- Паутина.
- Обнаружение выбросов [9]
- ШТОРМ
- Аннотация-C
- ХПК
- МКОД
- AnyOut [10]
- Рекомендательные системы
- BRISMFПредсказатель
- Частый анализ шаблонов
- Алгоритмы обнаружения изменений [13]
Эти алгоритмы предназначены для крупномасштабного машинного обучения, борьбы с дрейфом концепций и большими потоками данных в реальном времени.
MOA поддерживает двунаправленное взаимодействие с Weka (машинное обучение) . MOA — свободное программное обеспечение , выпущенное под лицензией GNU GPL .
См. также
[ редактировать ]
- Рабочий процесс ADAMS : механизм рабочего процесса для MOA и Weka (машинное обучение).
- Потоки : Гибкая модульная среда для проектирования и проведения экспериментов с потоками данных.
- Века (машинное обучение)
- Вовпал Ваббит
- Список программного обеспечения для численного анализа
Ссылки
[ редактировать ]- ^ «Релиз 24.07.0» . 18 июля 2024 г. Проверено 23 июля 2024 г.
- ^ Бифет, Альберт; Холмс, Джефф; Киркби, Ричард; Пфарингер, Бернхард (2010). «МОА: Массивный онлайн-анализ». Журнал исследований машинного обучения . 99 : 1601–1604.
- ^ Проигрыш, Виктор; Хаммер, Барбара; Версинг, Хейко (2017). «Борьба с дрейфом гетерогенных концепций с помощью самонастраивающейся памяти (SAM)». Знания и информационные системы . 54 : 171–201. дои : 10.1007/s10115-017-1137-y . ISSN 0885-6125 . S2CID 29600755 .
- ^ Читай, Джесси; Бифет, Альберт; Холмс, Джефф; Пфарингер, Бернхард (2012). «Масштабируемая и эффективная классификация по нескольким меткам для развивающихся потоков данных» . Машинное обучение . 88 (1–2): 243–272. дои : 10.1007/s10994-012-5279-6 . ISSN 0885-6125 . S2CID 14676146 .
- ^ Злиобайте, Индре; Бифет, Альберт; Пфарингер, Бернхард; Холмс, Джеффри (2014). «Активное обучение с дрейфующими потоковыми данными». Транзакции IEEE в нейронных сетях и системах обучения . 25 (1): 27–39. дои : 10.1109/TNNLS.2012.2236570 . ISSN 2162-237X . ПМИД 24806642 . S2CID 14687075 .
- ^ Икономовская, Елена; Гама, Жуан; Джероски, Сашо (2010). «Изучение деревьев моделей на основе развивающихся потоков данных» (PDF) . Интеллектуальный анализ данных и обнаружение знаний . 23 (1): 128–168. дои : 10.1007/s10618-010-0201-y . ISSN 1384-5810 . S2CID 7114108 .
- ^ Алмейда, Эзильда; Феррейра, Карлос; Гама, Жуан (2013). «Правила адаптивной модели из потоков данных». Инженерия передовых информационных систем . Конспекты лекций по информатике. Том. 8188. стр. 480–492. CiteSeerX 10.1.1.638.5472 . дои : 10.1007/978-3-642-40988-2_31 . ISBN 978-3-642-38708-1 . ISSN 0302-9743 .
- ^ Кранен, Филипп; Кремер, Харди; Янсен, Тимм; Зайдль, Томас; Бифет, Альберт; Холмс, Джефф; Пфарингер, Бернхард (2010). «Производительность кластеризации развивающихся потоков данных: оценка алгоритмов и мер оценки в MOA». Семинары Международной конференции IEEE 2010 по интеллектуальному анализу данных . стр. 1400–1403. дои : 10.1109/ICDMW.2010.17 . ISBN 978-1-4244-9244-2 . S2CID 2064336 .
- ^ Георгиадис, Деметриус; Свяжитесь с Мэри; Гунарис, Анастасий; Пападопулос, Апостолы Н.; Тихлас, Берега; Манолопулос, Яннис (2013). «Непрерывное обнаружение выбросов в потоках данных». Материалы Международной конференции по управлению данными 2013 г. — SIGMOD '13 . п. 1061. дои : 10.1145/2463676.2463691 . ISBN 9781450320375 . S2CID 1886134 .
- ^ Согласен, Ира; Кранен, Филипп; Бальдауф, Коринна; Зайдль, Томас (2012). «AnyOut: обнаружение выбросов в любое время при потоковой передаче данных». Системы баз данных для продвинутых приложений . Конспекты лекций по информатике. Том. 7238. стр. 228–242. дои : 10.1007/978-3-642-29038-1_18 . ISBN 978-3-642-29037-4 . ISSN 0302-9743 .
- ^ Квадрана, Массимо; Бифет, Альберт; Гавальда, Рикар (2013). «Эффективный закрытый майнер часто встречающихся наборов элементов для системы майнинга MOA Stream». Границы искусственного интеллекта и приложений . 256 (Исследования и разработки в области искусственного интеллекта): 203. doi : 10.3233/978-1-61499-320-9-203 .
- ^ Бифет, Альберт; Холмс, Джефф; Пфарингер, Бернхард; Гавальда, Рикар (2011). «Анализ частых закрытых графиков развивающихся потоков данных». Материалы 17-й международной конференции ACM SIGKDD по обнаружению знаний и интеллектуальному анализу данных - KDD '11 . п. 591. CiteSeerX 10.1.1.297.1721 . дои : 10.1145/2020408.2020501 . ISBN 9781450308137 . S2CID 8588858 .
- ^ Бифет, Альберт; Читай, Джесси; Пфарингер, Бернхард; Холмс, Джефф; Жлиобайте, Индре (2013). «CD-MOA: Система обнаружения изменений для масштабного онлайн-анализа». Достижения в области интеллектуального анализа данных XII . Конспекты лекций по информатике. Том. 8207. стр. 92–103. дои : 10.1007/978-3-642-41398-8_9 . ISBN 978-3-642-41397-1 . ISSN 0302-9743 .