Введение
Data Stream Mining (также известный как обучение на потоке данных) — это процесс извлечения структур знаний из непрерывных и быстро поступающих данных. Поток данных представляет собой упорядоченную последовательность экземпляров, которые во многих задачах анализа потоковых данных могут быть прочитаны лишь один или небольшое число раз при ограниченных вычислительных ресурсах и объеме памяти. Методы машинного обучения могут использоваться для автоматического обучения решению задачи прогнозирования на основе размеченных примеров. Часто для адаптации к структурным изменениям, онлайн-обучению и требованиям обработки в реальном времени применяются концепции из области инкрементного обучения. Во многих приложениях, особенно в нестационарных средах, распределение данных, лежащее в основе экземпляров, или правила, определяющие их разметку, могут изменяться со временем, то есть сама цель прогнозирования, класс для предсказания или целевое значение могут меняться. Эта проблема известна как дрейф концепции. Обнаружение дрейфа концепции является ключевой задачей при анализе потоковых данных. Другие вызовы, возникающие при применении машинного обучения к потоковым данным, включают: частичную и запаздывающую разметку данных, восстановление после дрейфа концепции и временные зависимости. Примерами потоков данных являются сетевой трафик, телефонные разговоры, транзакции через банкоматы, поисковые запросы в интернете и данные с датчиков. Анализ потоковых данных можно рассматривать как подраздел интеллектуального анализа данных, машинного обучения и поиска знаний.
События
Международный семинар по интеллектуальному анализу вездесущих данных, проведенный совместно с Международной объединенной конференцией по искусственному интеллекту (IJCAI) в Пекине, Китай, 3–5 августа 2013 года. Международный семинар по обнаружению знаний из потоков вездесущих данных, проведенный совместно с 18-й Европейской конференцией по машинному обучению (ECML) и 11-й Европейской конференцией по принципам и практике обнаружения знаний в базах данных (PKDD) в Варшаве, Польша, в сентябре 2007 года. Симпозиум ACM по прикладным вычислениям, секция "Потоки данных", проведенный совместно с Симпозиумом ACM по прикладным вычислениям 2007 года (SAC 2007) в Сеуле, Корея, в марте 2007 года. Международный семинар IEEE по интеллектуальному анализу изменяющихся и потоковых данных (IWMESD 2006), который будет проведен совместно с Международной конференцией IEEE по интеллектуальному анализу данных (ICDM 2006) в Гонконге в декабре 2006 года. Четвертый международный семинар по обнаружению знаний из потоков данных (IWKDDS), который будет проведен совместно с 17-й Европейской конференцией по машинному обучению (ECML) и 10-й Европейской конференцией по принципам и практике обнаружения знаний в базах данных (PKDD) (ECML/PKDD 2006) в Берлине, Германия, в сентябре 2006 года.
International Workshop on Knowledge Discovery from Ubiquitous Data Streams held in conjunction with the 18th European Conference on Machine Learning (ECML) and the 11th European Conference on Principles and Practice of Knowledge Discovery in Databases (PKDD) in Warsaw, Poland, in September 2007. ACM Symposium on Applied Computing Data Streams Track held in conjunction with the 2007 ACM Symposium on Applied Computing (SAC 2007) in Seoul, Korea, in March 2007. IEEE International Workshop on Mining Evolving and Streaming Data (IWMESD 2006) to be held in conjunction with the 2006 IEEE International Conference on Data Mining (ICDM 2006) in Hong Kong in December 2006. Fourth International Workshop on Knowledge Discovery from Data Streams (IWKDDS) to be held in conjunction with the 17th European Conference on Machine Learning (ECML) and the 10th European Conference on Principles and Practice of Knowledge Discovery in Databases (PKDD) (ECML/PKDD 2006) in Berlin, Germany, in September 2006.