English (United Kingdom)

https://curated-unify.zendy.io/wp-json/zendy-region/v1/featured_content/oa?rat=en

https://curated-unify.zendy.io/wp-json/zendy-region/v1/highlighted_journal/

Global: Zendy Plus annual

Presents the access of premium content as premium feature

Premium Content

Presents the keyphrase highlighting as premium feature

Keyphrase Highlighting

Presents the summarisation as premium feature

Summarisation

Insights

Presents the pdf analysis as premium feature

PDF Analysis

Presents the zaia usage as premium feature

ZAIA

Global: Zendy Tools annual

Global: Zendy Free Plan

Global: Zendy Tools monthly

Global: Zendy Plus monthly

OLIVEIRA, L. S.. Classificação de fluxos de dados não estacionários com algoritmos incrementais baseados no modelo de misturas gaussianas. 2015. 84 f. Dissertação (Mestrado em em Ciências – Ciências de Computação e Matemática Computacional) – Instituto de Ciências Matemáticas e de Computação (ICMC/USP), São Carlos. Learning concepts from data streams differs significantly from traditional batch learning. In batch learning there is an implicit assumption that the concept to be learned is static and does not evolve significantly over time. On the other hand, in data stream learning the concepts to be learned may evolve over time. This evolution is called concept drift, and makes the creation of a fixed training set be no longer applicable. Incremental learning paradigm is a promising approach for learning in a data stream setting. However, in the presence of concept drifts, outdated concepts can cause misclassifications. Several incremental Gaussian mixture models methods have been proposed in the literature, but these algorithms lack an explicit policy to discard outdated concepts. In this work, a new incremental algorithm for data stream with concept drifts based on Gaussian Mixture Models is proposed. The proposed method is compared to various algorithms widely used in the literature, and the results show that it is competitive with them in various scenarios, overcoming them in some cases. Key-words: Incremental learning, Gaussian mixture model, Data stream, Concept drift. LISTA DE ILUSTRAÇÕES Figura 1 – Tipos de mudança de conceito . . . . . . . . . . . . . . . . . . . . . . . . . 28 Figura 2 – Tipos de janelas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30 Figura 3 – Possíves transições entre os estados. . . . . . . . . . . . . . . . . . . . . . 32 Figura 4 – Variação ao longo do tempo da acurácia do algoritmo no conjunto de dados 2CHT. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48 Figura 5 – Variação ao longo do tempo do custo computacional para se processar a base 2CDT com o algoritmo sem eliminação de gaussianas. . . . . . . . . . . . . 49 Figura 6 – Variação ao longo do tempo das classes no conjunto de dados 2CDT. . . . . 54 Figura 7 – Variação ao longo do tempo das classes no conjunto de dados 4CRE-V2. . . 55 Figura 8 – Variação ao longo do tempo das classes no conjunto de dados 1CSurr. . . . 55 Figura 9 – Variação ao longo do tempo das classes no conjunto de dados MG_2C_2D. . 56 Figura 10 – Variação ao longo do tempo das classes no conjunto de dados FG_2C_2D. . 56 Figura 11 – Variação ao longo do tempo das classes no conjunto de dados UG_2C_2D. . 57 Figura 12 – Conjunto de dados GEARS_2C_2D. . . . . . . . . . . . . . . . . . . . . . 57 Figura 13 – Variação ao longo do tempo do custo computacional de se processar os conjunto de dados 1CDT (a), 1CHT (b), 2CDT (c) e 2CHT (d). . . . . . . . 59 Figura 14 – Variação ao longo do tempo da acurácia do algoritmo IGMM sem eliminação de componentes nos conjuntos de dados 1CDT (a), 1CHT (b), 2CDT (c) e 2CHT (d). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60 Figura 15 – Variação ao longo do tempo da acurácia dos algoritmos nos conjuntos de dados 1CDT (a), 1CHT (b), 2CDT (c) e 2CHT (d). . . . . . . . . . . . . . 61 Figura 16 – Variação ao longo do tempo do custo computacional dos algoritmos para processar os conjuntos de dados 1CDT (a), 1CHT (b), 2CDT (c) e 2CHT (d). 62 Figura 17 – Variação ao longo do tempo da acurácia do algoritmo para as bases MG_2C_2D (a) e poker-lsn (b) variando-se o parâmetro da covariância inicial. . . . . 63 Figura 18 – Variação ao longo do tempo da acurácia do algoritmo para as bases MG_2C_2D (a) e poker-lsn (b) variando-se o parâmetro da mínima verossimilhança. 64 Figura 19 – Variação ao longo do tempo da acurácia do algoritmo IGMM-CD com atualização global (A) e local (B) para a base MG_2C_2D variando-se o parâmetro proposto. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67 Figura 20 – Variação ao longo do tempo do custo computacional para se processar 200 exemplos do algoritmo IGMM-CD com atualização global (a) e local (b) para a base 2CDT. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67 Figura 21 – Projeto experimental utilizado para atualização dos modelos de classificação ao longo do tempo. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73 Figura 22 – Variação ao longo do tempo da acurácia do algoritmo GMM atualizado com rótulos corretos e atualizado com rótulos preditos mantendo-se os parâmetros fixos ou livres nos conjuntos de dados 4CRE-V2 (a) e UG_2C_5D (b). . . . 75 Figura 23 – Variação ao longo do tempo das probabilidades a priori (a) e desvios padrões (b) das quatro classes do conjunto de dados 4CRE-V3. . . . . . . . . . . . . 76 Figura 24 – Variação ao longo do tempo da acurácia dos algoritmos GMM com mini-lote e parâmetros fixados (a) e SCARGC (b) na base de dados 4CRE-V3. . . . . 76 Figura 25 – Variação ao longo do tempo da acurácia dos algoritmos com parâmetros fixos e livres no conjunto de dados MG_2C_2D. . . . . . . . . . . . . . . . . . . 77