Machine Learning for Data Streams: with Practical Examples in MOA (Adaptive Computation and Machine Learning series)

رویکردی عملی برای کارها و تکنیک‌ها در استخراج جریان داده و تجزیه و تحلیل بلادرنگ، با مثال‌هایی در MOA، یک چارچوب نرم‌افزار منبع باز و رایگان در دسترس.

این کتاب ابتدا مقدمه‌ای کوتاه بر این موضوع ارائه می‌کند که شامل داده‌کاوی بزرگ، روش‌شناسی اساسی برای جریان‌های داده‌کاوی و یک مثال ساده از MOA می‌شود. بحث‌های دقیق‌تر همراه با فصل‌هایی در مورد تکنیک‌های طراحی، تغییر، طبقه‌بندی، روش‌های مجموعه، رگرسیون، خوشه‌بندی و الگوبرداری مکرر دنبال می‌شوند. بیشتر این فصل ها شامل تمرینات، یک جلسه آزمایشگاهی مبتنی بر MOA یا هر دو است. در نهایت، این کتاب نرم افزار MOA را مورد بحث قرار می دهد که رابط کاربری گرافیکی MOA، خط فرمان، استفاده از API آن، و توسعه روش های جدید در MOA را پوشش می دهد. این کتاب یک مرجع ضروری برای خوانندگانی خواهد بود که می خواهند از داده کاوی به عنوان ابزار استفاده کنند، محققان در زمینه نوآوری یا جریان کاوی داده، و برنامه نویسانی که می خواهند الگوریتم های جدیدی برای MOA ایجاد کنند.

A hands-on approach to tasks and techniques in data stream mining and real-time analytics, with examples in MOA, a popular freely available open-source software framework.

Today many information sources―including sensor networks, financial markets, social networks, and healthcare monitoring―are so-called data streams, arriving sequentially and at high speed. Analysis must take place in real time, with partial data and without the capacity to store the entire data set. This book presents algorithms and techniques used in data stream mining and real-time analytics. Taking a hands-on approach, the book demonstrates the techniques using MOA (Massive Online Analysis), a popular, freely available open-source software framework, allowing readers to try out the techniques after reading the explanations.

The book first offers a brief introduction to the topic, covering big data mining, basic methodologies for mining data streams, and a simple example of MOA. More detailed discussions follow, with chapters on sketching techniques, change, classification, ensemble methods, regression, clustering, and frequent pattern mining. Most of these chapters include exercises, an MOA-based lab session, or both. Finally, the book discusses the MOA software, covering the MOA graphical user interface, the command line, use of its API, and the development of new methods within MOA. The book will be an essential reference for readers who want to use data stream mining as a tool, researchers in innovation or data stream mining, and programmers who want to create new algorithms for MOA.