एआई शब्दावली
आर्टिफिशियल इंटेलिजेंस का पूर्ण शब्दकोश
स्ट्रीम वर्गीकरण
पूर्वनिर्धारित लेबल को निरंतर प्रवाह में अनुक्रमिक रूप से आने वाले डेटा उदाहरणों को सौंपने की प्रक्रिया, जिसमें पिछले डेटा को फिर से देखने की कोई संभावना नहीं होती। यह तकनीक डायनामिक वितरण परिवर्तनों के अनुकूल होते हुए वास्तविक समय में डेटा को वर्गीकृत करने की अनुमति देती है।
होफ्डिंग ट्री
एक वृद्धिशील निर्णय वृक्ष एल्गोरिदम जो होफ्डिंग असमानता का उपयोग करके डेटा प्रवाह से एक मॉडल बनाता है ताकि यह तय किया जा सके कि किसी नोड को कब विभाजित करना है। यह गारंटी देता है कि निर्मित वृक्ष बैच डेटा पर निर्मित वृक्ष के समान है जिसकी संभावना नियंत्रणीय है।
डेटा स्ट्रीम माइनिंग
निरंतर और संभावित रूप से अनंत डेटा प्रवाह से ज्ञान निकालने के लिए एल्गोरिदम और तकनीकों के अध्ययन का क्षेत्र। इन एल्गोरिदम को सीमित मेमोरी और कम्प्यूटेशनल संसाधनों के साथ एक ही पास में डेटा को संसाधित करना होता है।
वृद्धिशील सीख
सीखने का एक प्रतिमान जहां मॉडल को लगातार अपडेट किया जाता है क्योंकि नया डेटा उपलब्ध होता है, बिना पूर्ण पुनः प्रशिक्षण की आवश्यकता के। यह दृष्टिकोण डायनामिक वातावरण और निरंतर डेटा प्रवाह वाले सिस्टम के लिए आवश्यक है।
अवधारणा विकास
अवधारणा ड्रिफ्ट से अलग एक घटना जहां समय के साथ डेटा प्रवाह में नई कक्षाएं उभरती हैं। अवधारणा विकास का पता लगाना उन वातावरणों में वर्गीकरण मॉडलों की प्रासंगिकता बनाए रखने के लिए महत्वपूर्ण है जहां लेबल विकसित हो सकते हैं।
स्ट्रीम्स के लिए एन्सेम्बल विधियाँ
डेटा प्रवाह वर्गीकरण में प्रदर्शन और मजबूती को बेहतर बनाने के लिए कई क्लासिफायरों को जोड़ने वाली तकनीकें। इन विधियों में एडेप्टिव बैगिंग, ऑनलाइन बूस्टिंग और अवधारणा ड्रिफ्ट को प्रभावी ढंग से प्रबंधित करने के लिए विविधता-आधारित दृष्टिकोण शामिल हैं।
वीएफडीटी (वेरी फास्ट डिसीजन ट्री)
डेटा प्रवाह के लिए एक अग्रणी निर्णय वृक्ष एल्गोरिदम जो न्यूनतम उदाहरणों के साथ सांख्यिकीय रूप से मान्य निर्णयों की गारंटी के लिए होफ्डिंग असमानता का उपयोग करता है। यह आधुनिक स्ट्रीम वर्गीकरण एल्गोरिदम का आधार बनता है।
ड्रिफ्ट डिटेक्शन मेथड (डीडीएम)
क्लासिफायर की त्रुटि दर और उसके विविधताओं की निगरानी करके अवधारणा ड्रिफ्ट का पता लगाने के लिए एक सांख्यिकीय तकनीक। यह बाइनोमियल वितरण पर आधारित कॉन्फिडेंस बाउंड का उपयोग करती है ताकि पहचान सके कि मॉडल का प्रदर्शन कब महत्वपूर्ण रूप से खराब होता है।
स्ट्रीम के लिए के-निकटतम पड़ोसी
तेज पड़ोसी क्वेरी बनाए रखने के लिए केडी-ट्री या एलएसएच जैसे कुशल डेटा संरचनाओं का उपयोग करके डेटा स्ट्रीम के लिए केएनएन एल्गोरिदम का अनुकूलन। इन विधियों को डेटा के विकास और स्ट्रीम के अंतर्निहित मेमोरी बाधाओं को संभालना चाहिए।
स्ट्रीम के लिए नेव बायेस
नेव बायेस क्लासिफायर का वृद्धिशील संस्करण जो नई इंस्टेंस के स्ट्रीम में आने पर सशर्त संभावनाओं को अपडेट करता है। इसकी रैखिक कम्प्यूटेशनल जटिलता के कारण यह एल्गोरिदम उच्च-आयामी डेटा स्ट्रीम के लिए विशेष रूप से प्रभावी है।
समय-क्षय कार्य
पुरानी इंस्टेंस को घटते वजन प्रदान करने वाले तंत्र जो हाल की डेटा को अधिक महत्व देते हैं। ये कार्य मॉडल को क्रमिक परिवर्तनों के अनुकूल बनाने और उनकी समयिक प्रासंगिकता बनाए रखने के लिए आवश्यक हैं।
संसाधन-जागरूक स्ट्रीम माइनिंग
स्ट्रीम वर्गीकरण का दृष्टिकोण जो सिस्टम की बाधाओं और लोड के आधार पर कम्प्यूटेशनल और मेमोरी संसाधनों के उपयोग को गतिशील रूप से अनुकूलित करता है। यह सख्त संसाधन सीमाओं के तहत भी स्वीकार्य प्रदर्शन बनाए रखने की अनुमति देता है।
प्रीक्वेंशियल मूल्यांकन
डेटा स्ट्रीम के लिए विशिष्ट मूल्यांकन पद्धति जहां प्रत्येक इंस्टेंस को प्रशिक्षित करने से पहले मॉडल का परीक्षण करने के लिए उपयोग किया जाता है। यह टेस्ट-देन-ट्रेन दृष्टिकोण गैर-स्थिर डेटा पर प्रदर्शन का यथार्थवादी माप प्रदान करता है।