ترجمه فارسی مقاله یک چارچوب احتمالی برای سازگاری با مفاهیم در حال تغییر و تکرار در جریان داده ها

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

عنوان مقاله به انگلیسی A Probabilistic Framework for Adapting to Changing and Recurring Concepts in Data Streams
عنوان مقاله به فارسی یک چارچوب احتمالی برای سازگاری با مفاهیم در حال تغییر و تکرار در جریان داده ها
نویسندگان Ben Halstead, Yun Sing Koh, Patricia Riddle, Mykola Pechenizkiy, Albert Bifet
فرمت مقاله انگلیسی PDF
تعداد صفحات 13
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Machine Learning,یادگیری ماشین ,
توضیحات Submitted 17 August, 2024; originally announced August 2024.
توضیحات به فارسی ارسال شده 17 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد.
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

The distribution of streaming data often changes over time as conditions change, a phenomenon known as concept drift. Only a subset of previous experience, collected in similar conditions, is relevant to learning an accurate classifier for current data. Learning from irrelevant experience describing a different concept can degrade performance. A system learning from streaming data must identify which recent experience is irrelevant when conditions change and which past experience is relevant when concepts reoccur, \textit{e.g.,} when weather events or financial patterns repeat. Existing streaming approaches either do not consider experience to change in relevance over time and thus cannot handle concept drift, or only consider the recency of experience and thus cannot handle recurring concepts, or only sparsely evaluate relevance and thus fail when concept drift is missed. To enable learning in changing conditions, we propose SELeCT, a probabilistic method for continuously evaluating the relevance of past experience. SELeCT maintains a distinct internal state for each concept, representing relevant experience with a unique classifier. We propose a Bayesian algorithm for estimating state relevance, combining the likelihood of drawing recent observations from a given state with a transition pattern prior based on the system's current state.

چکیده به فارسی (ترجمه ماشینی)

توزیع داده های جریان اغلب با تغییر شرایط تغییر می کند ، پدیده ای که به عنوان رانش مفهوم شناخته می شود.فقط یک زیر مجموعه از تجربه قبلی ، که در شرایط مشابه جمع آوری شده است ، برای یادگیری یک طبقه بندی دقیق برای داده های فعلی مرتبط است.یادگیری از تجربه بی ربط توصیف یک مفهوم متفاوت می تواند عملکرد را تخریب کند.یک سیستم یادگیری از داده های جریان باید مشخص کند که در هنگام تغییر شرایط ، تجربه اخیر بی ربط است و تجربه گذشته در هنگام استفاده مجدد از مفاهیم ، \ textit {به عنوان مثال ،} وقتی وقایع آب و هوایی یا الگوهای مالی تکرار می شوند ، مرتبط است.رویکردهای جریان موجود یا تجربه را برای تغییر در ارتباط با گذشت زمان در نظر نمی گیرند و بنابراین نمی توانند از عهده رانش مفهوم برخوردار باشند ، یا فقط به عنوان تجربه تجربه در نظر بگیرند و بنابراین نمی توانند مفاهیم مکرر را کنترل کنند ، یا فقط به سختی اهمیت را ارزیابی می کنند و در نتیجه هنگام از دست رفتن مفهوم شکست می خورند.برای فعال کردن یادگیری در شرایط تغییر ، ما یک روش احتمالی را برای ارزیابی مداوم ارتباط تجربه گذشته پیشنهاد می کنیم.SELECT یک وضعیت داخلی متمایز را برای هر مفهوم حفظ می کند ، و نشان دهنده تجربه مربوطه با یک طبقه بندی منحصر به فرد است.ما یک الگوریتم بیزی را برای برآورد ارتباط دولت پیشنهاد می کنیم ، و احتمال ترسیم مشاهدات اخیر از یک حالت معین را با الگوی انتقال قبل بر اساس وضعیت فعلی سیستم ترکیب می کنیم.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.