Glossaire IA
Le dictionnaire complet de l'Intelligence Artificielle
Adaptive Random Forest
Extension du Random Forest classique pour les flux de données, utilisant des arbres Hoeffding comme base et intégrant des mécanismes de détection et adaptation au drift conceptuel avec repondération dynamique des classifieurs.
Online Bagging
Variante incrémentale du Bootstrap Aggregating où chaque instance du flux est utilisée pour mettre à jour les classifieurs de base selon une distribution de Poisson(1), permettant un apprentissage continu sans nécessiter l'ensemble des données.
STAGGER Algorithm
Un des premiers algorithmes de démonstration de concept drift utilisant des hypothèses pondérées qui s'adaptent dynamiquement aux changements conceptuels en ajustant les poids basés sur les prédictions correctes ou incorrectes.
SAM-KNN (Self-Adjusting Memory KNN)
Variante du k-Plus Proches Voisins pour flux de données qui ajuste dynamiquement sa taille de mémoire en fonction de la stabilité du concept, éliminant automatiquement les instances obsolètes tout en préservant les représentatives.
Leveraging Bagging
Amélioration du Online Bagging introduisant des stratégies de repondération aléatoire pour augmenter la diversité des classifieurs de base et accélérer l'adaptation aux changements conceptuels avec des garanties théoriques de performance.
OzaBagging
Implémentation spécifique de l'algorithme de bagging en ligne proposée par Oza et Russell, où chaque instance du flux est pondérée selon une distribution de Poisson pour simuler le processus de bootstrap en environnement de streaming.
HAT (Hoeffding Adaptive Tree)
Extension du Hoeffding Tree intégrant des mécanismes de détection de changement conceptuel utilisant ADWIN pour évaluer la performance des nœuds et remplacer dynamiquement les sous-arbres inefficaces par de nouvelles structures adaptées.
StreamDM
Framework open-source pour le data mining sur flux de données implémenté en Scala pour Spark, fournissant une collection d'algorithmes incrémentaux optimisés pour le traitement distribué de streams à grande échelle.
MOA (Massive Online Analysis)
Environnement logiciel de référence pour l'évaluation et le développement d'algorithmes d'apprentissage incrémental, incluant des outils de génération de streams artificiels et des métriques d'évaluation adaptées au concept drift.
Accuracy Weighted Ensemble
Algorithme d'ensemble pour streams qui maintient une collection de classifieurs entraînés sur différentes périodes, avec pondération dynamique basée sur leur performance récente pour optimiser les prédictions face au drift conceptuel.
Concept Drift Velocity
Métrique quantifiant la vitesse à laquelle le concept sous-jacent évolue dans un flux de données, utilisée pour adapter dynamiquement la fréquence de mise à jour du modèle et l'allocation des ressources computationnelles.