এআই গ্লসারি
কৃত্রিম বুদ্ধিমত্তার সম্পূর্ণ অভিধান
স্ট্রিমিং ক্লাস্টারিং
মেমোরিতে সম্পূর্ণ ডেটা লোড করার প্রয়োজন ছাড়াই গতিশীল গ্রুপ সনাক্ত করতে অবিরত ডেটা স্ট্রিমে প্রয়োগ করা আনসুপারভাইজড লার্নিং কৌশল। এই পদ্ধতি বিগ ডেটাতে উদীয়মান প্যাটার্নের রিয়েল-টাইম বিশ্লেষণের অনুমতি দেয়।
ঘনত্ব-ভিত্তিক স্ট্রিমিং ক্লাস্টারিং
রিয়েল-টাইমে ডেটা স্ট্রিমে ঘন এলাকা সনাক্ত করে এমন ক্লাস্টারিং পদ্ধতি, যা নির্বিচারে আকৃতির ক্লাস্টার সনাক্ত করতে এবং শব্দ পরিচালনা করতে সক্ষম। এই পদ্ধতিগুলি ঘনত্বের পরিবর্তনের সাথে গতিশীলভাবে খাপ খায়।
ইনক্রিমেন্টাল ক্লাস্টারিং
মডেল সম্পূর্ণরূপে পুনরায় গণনা না করে নতুন ডেটা আসার সাথে সাথে বিদ্যমান ক্লাস্টার আপডেট করে এমন পদ্ধতি। এই পদ্ধতি অসীম ডেটা স্ট্রিমে ধ্রুবক গণনামূলক দক্ষতা নিশ্চিত করে।
উইন্ডো-ভিত্তিক ক্লাস্টারিং
সাম্প্রতিক প্রবণতা ক্যাপচার করতে স্লাইডিং বা ডিক্রিমেন্টাল টাইম উইন্ডোতে ক্লাস্টারিং অ্যালগরিদম প্রয়োগ করা কৌশল। উইন্ডোগুলি নির্দিষ্ট আকার, অভিযোজিত বা সময়-ভিত্তিক হতে পারে।
বিবর্তনীয় ক্লাস্টারিং
প্রাকৃতিক ডেটা বিবর্তনের সাথে খাপ খাওয়ানোর সময় আকস্মিক পরিবর্তন শাস্তি দিয়ে ক্লাস্টার কাঠামোর সময়গত বিবর্তন ক্যাপচার করে এমন প্যারাডাইম। এই পদ্ধতি গ্রুপিংয়ের সময়গত ধারাবাহিকতা বজায় রাখে।
অনলাইন কে-মিনস
কে-মিনস অ্যালগরিদমের অভিযোজিত বৈকল্পিক যা স্ট্রিমে আসা প্রতিটি নতুন ডেটার সাথে ইনক্রিমেন্টালভাবে সেন্ট্রয়েড আপডেট করে। এই পদ্ধতি প্রতি পয়েন্টে ধ্রুবক জটিলতা প্রদান করে এবং ধীরে ধীরে পরিবর্তনের সাথে খাপ খায়।
স্ট্রিমকেএম++
উচ্চ-মানের আনুমানিকতা নিশ্চিত করতে কে-মিনস++ ইনিশিয়ালাইজেশনের সাথে নির্দিষ্ট আকারের কোরসেট সংমিশ্রণ করে ডেটা স্ট্রিমের জন্য ক্লাস্টারিং অ্যালগরিদম। এই পদ্ধতি রৈখিক জটিলতা বজায় রাখে এবং তাত্ত্বিক ত্রুটি সীমা নিশ্চিত করে।
ক্লু-স্ট্রিম
মাইক্রো-ক্লাস্টার ভিত্তিক ক্লাস্টারিং ফ্রেমওয়ার্ক যা বিভিন্ন সময় উইন্ডোতে ডেটার পরিসংখ্যানগত বৈশিষ্ট্য ক্যাপচার করে। এই পদ্ধতি একাধিক সময়গত গ্র্যানুলারিটিতে ক্লাস্টার বিবর্তনের বিশ্লেষণের অনুমতি দেয়।
DenStream
Algorithme de clustering basé sur la densité pour flux de données utilisant des micro-clusters potentiels et outlier pour gérer dynamiquement les clusters évolutifs. Cette méthode excelle dans la détection de clusters de formes variées et la gestion du bruit.
BIRCH pour Streaming
Adaptation de l'algorithme Balanced Iterative Reducing and Clustering using Hierarchies pour les flux de données, utilisant une structure de CF-Tree dynamique. Cette approche permet un clustering incrémental avec une complexité logarithmique.
Temporal Clustering
Discipline qui intègre les dimensions temporelles dans les processus de clustering pour identifier des groupes évoluant selon des patterns chronologiques spécifiques. Cette approche capture les séquences, les tendances et les saisonnalités dans les données.
Fading Factor
Paramètre de décroissance exponentielle appliqué aux poids des données anciennes dans les algorithmes de streaming pour donner plus d'importance aux observations récentes. Cette technique permet une adaptation progressive au concept drift.
Stream Summarization
Processus de compression des flux de données en représentations compactes préservant les caractéristiques essentielles pour le clustering. Les techniques incluent les sketches, les coreset et les résumés basés sur les moments statistiques.
Any-Time Clustering
Propriété des algorithmes de streaming capables de fournir des résultats de clustering valides à tout moment, avec une qualité qui s'améliore avec plus de données. Cette caractéristique est essentielle pour les applications critiques nécessitant des réponses immédiates.
Grid-Based Streaming Clustering
Approche qui discrétise l'espace des données en une grille multi-résolution pour un clustering efficace des flux de données haute dimension. Cette méthode offre une complexité indépendante du nombre de points et s'adapte bien aux données éparses.
Cluster Maintenance
Ensemble des opérations nécessaires pour préserver la cohérence et la pertinence des clusters dans un environnement de streaming continu. Ces opérations incluent la fusion, la division, l'élimination et la création dynamique de clusters.
আনুমানিক স্ট্রিম ক্লাস্টারিং
অ্যালগরিদমের একটি শ্রেণি যা ডেটা স্ট্রিমে ধ্রুব কর্মক্ষমতা এবং অসীম স্কেলেবিলিটি নিশ্চিত করতে সামান্য নির্ভুলতা ত্যাগ করে। এই পদ্ধতিগুলি আনুমানিক গুণমানের উপর তাত্ত্বিক গ্যারান্টি প্রদান করে।
স্ট্রিমে আউটলায়ার শনাক্তকরণ
প্রাসঙ্গিক ক্লাস্টারিং মডেল বজায় রাখার সময় ডেটা স্ট্রিমে অস্বাভাবিকতা চিহ্নিত করার জন্য বিশেষায়িত কৌশল। এই পদ্ধতিগুলি অস্থায়ী আউটলায়ার এবং স্থায়ী কাঠামোগত পরিবর্তনের মধ্যে পার্থক্য করে।