stringtranslate.com

Análisis masivo en línea

Massive Online Analysis ( MOA ) es un proyecto de software gratuito de código abierto específico para la minería de flujo de datos con deriva de conceptos . Está escrito en Java y desarrollado en la Universidad de Waikato , Nueva Zelanda . [2]

Descripción

MOA es un software de marco de código abierto que permite crear y ejecutar experimentos de aprendizaje automático o minería de datos en flujos de datos en evolución. Incluye un conjunto de alumnos y generadores de secuencias que se pueden utilizar desde la interfaz gráfica de usuario (GUI), la línea de comandos y la API de Java. MOA contiene varias colecciones de algoritmos de aprendizaje automático:

Estos algoritmos están diseñados para el aprendizaje automático a gran escala, abordando la deriva de conceptos y grandes flujos de datos en tiempo real.

MOA admite la interacción bidireccional con Weka (aprendizaje automático) . MOA es un software gratuito publicado bajo GNU GPL .

Ver también

Referencias

  1. ^ "Versión 23.04.0". 4 de abril de 2023 . Consultado el 4 de mayo de 2023 .
  2. ^ Bifet, Alberto; Holmes, Geoff; Kirkby, Richard; Pfahringer, Bernhard (2010). "MOA: análisis masivo en línea". La revista de investigación sobre aprendizaje automático . 99 : 1601-1604.
  3. ^ Perdiendo, Viktor; Martillo, Bárbara; Wersing, Heiko (2017). "Abordar la deriva de conceptos heterogéneos con la memoria autoajustable (SAM)". Sistemas de Conocimiento y Información . 54 : 171–201. doi :10.1007/s10115-017-1137-y. ISSN  0885-6125. S2CID  29600755.
  4. ^ Lee, Jesse; Bifet, Albert; Holmes, Geoff; Pfahringer, Bernhard (2012). "Clasificación de etiquetas múltiples escalable y eficiente para flujos de datos en evolución". Aprendizaje automático . 88 (1–2): 243–272. doi : 10.1007/s10994-012-5279-6 . ISSN  0885-6125. S2CID  14676146.
  5. ^ Zliobaita, Indre; Bifet, Albert; Pfahringer, Bernhard; Holmes, Geoffrey (2014). "Aprendizaje activo con transmisión de datos a la deriva". Transacciones IEEE sobre redes neuronales y sistemas de aprendizaje . 25 (1): 27–39. doi :10.1109/TNNLS.2012.2236570. ISSN  2162-237X. PMID  24806642. S2CID  14687075.
  6. ^ Ikonomovska, Elena; Gama, João; Džeroski, Sašo (2010). "Aprendizaje de árboles modelo a partir de flujos de datos en evolución" (PDF) . Minería de datos y descubrimiento de conocimientos . 23 (1): 128–168. doi :10.1007/s10618-010-0201-y. ISSN  1384-5810. S2CID  7114108.
  7. ^ Almeida, Ezilda; Ferreira, Carlos; Gama, João (2013). "Reglas de modelo adaptativo a partir de flujos de datos". Ingeniería Avanzada en Sistemas de Información . Apuntes de conferencias sobre informática. vol. 8188, págs. 480–492. CiteSeerX 10.1.1.638.5472 . doi :10.1007/978-3-642-40988-2_31. ISBN  978-3-642-38708-1. ISSN  0302-9743.
  8. ^ Kranen, Philipp; Kremer, resistente; Jansen, Timm; Seidl, Thomas; Bifet, Albert; Holmes, Geoff; Pfahringer, Bernhard (2010). "Agrupación de rendimiento en flujos de datos en evolución: evaluación de algoritmos y medidas de evaluación dentro de MOA". Talleres de la Conferencia Internacional IEEE 2010 sobre Minería de Datos . págs. 1400-1403. doi :10.1109/ICDMW.2010.17. ISBN 978-1-4244-9244-2. S2CID  2064336.
  9. ^ Georgiadis, Dimitrios; Kontaki, María; Gounaris, Anastasios; Papadopoulos, Apostolos N.; Tsichlas, Kostas; Manolopoulos, Yannis (2013). "Detección continua de valores atípicos en flujos de datos". Actas de la conferencia internacional de 2013 sobre Gestión de datos - SIGMOD '13 . pag. 1061. doi : 10.1145/2463676.2463691. ISBN 9781450320375. S2CID  1886134.
  10. ^ Consentimiento, Ira; Kranen, Philipp; Baldauf, Corinna; Seidl, Thomas (2012). "AnyOut: detección de valores atípicos en cualquier momento en la transmisión de datos". Sistemas de bases de datos para aplicaciones avanzadas . Apuntes de conferencias sobre informática. vol. 7238, págs. 228–242. doi :10.1007/978-3-642-29038-1_18. ISBN 978-3-642-29037-4. ISSN  0302-9743.
  11. ^ Cuadrana, Massimo; Bifet, Albert; Gavaldá, Ricard (2013). "Un minero eficiente y cerrado de conjuntos de elementos frecuentes para el sistema de minería MOA Stream". Fronteras en Inteligencia Artificial y Aplicaciones . 256 (Investigación y desarrollo de inteligencia artificial): 203. doi :10.3233/978-1-61499-320-9-203.
  12. ^ Bifet, Alberto; Holmes, Geoff; Pfahringer, Bernhard; Gavaldá, Ricard (2011). "Extracción de gráficos cerrados frecuentes sobre flujos de datos en evolución". Actas de la 17ª conferencia internacional ACM SIGKDD sobre descubrimiento de conocimientos y minería de datos - KDD '11 . pag. 591. CiteSeerX 10.1.1.297.1721 . doi :10.1145/2020408.2020501. ISBN  9781450308137. S2CID  8588858.
  13. ^ Bifet, Alberto; Lee, Jesé; Pfahringer, Bernhard; Holmes, Geoff; Žliobaitė, Indrė (2013). "CD-MOA: marco de detección de cambios para análisis masivo en línea". Avances en el Análisis Inteligente de Datos XII . Apuntes de conferencias sobre informática. vol. 8207, págs. 92-103. doi :10.1007/978-3-642-41398-8_9. ISBN 978-3-642-41397-1. ISSN  0302-9743.

enlaces externos