• River: machine learning for st...

Treffer: River: machine learning for streaming data in Python

Title:
River: machine learning for streaming data in Python
Authors:
Montiel, Jacob, Halford, Max, Mastelini, Saulo Martiello, Bolmier, Geoffrey, Sourty, Raphaël, Vaysse, Robin, Zouitine, Adil, Gomes, Heitor Murilo, Read, Jesse, Abdessalem, Talel, Bifet, Albert
Contributors:
University of Waikato [Hamilton], Laboratoire Traitement et Communication de l'Information (LTCI), Institut Mines-Télécom [Paris] (IMT)-Télécom Paris, Institut Mines-Télécom [Paris] (IMT)-Institut Polytechnique de Paris (IP Paris)-Institut Polytechnique de Paris (IP Paris), ALAN, Universidade de São Paulo = University of São Paulo (USP), Volvo Car Corporation, RENAULT, Recherche d’Information et Synthèse d’Information (IRIT-IRIS), Institut de recherche en informatique de Toulouse (IRIT), Université Toulouse Capitole (UT Capitole), Communauté d'universités et établissements de Toulouse (Comue de Toulouse)-Communauté d'universités et établissements de Toulouse (Comue de Toulouse)-Université Toulouse - Jean Jaurès (UT2J), Communauté d'universités et établissements de Toulouse (Comue de Toulouse)-Communauté d'universités et établissements de Toulouse (Comue de Toulouse)-Université Toulouse III - Paul Sabatier (UT3), Communauté d'universités et établissements de Toulouse (Comue de Toulouse)-Centre National de la Recherche Scientifique (CNRS)-Institut National Polytechnique (Toulouse) (Toulouse INP), Communauté d'universités et établissements de Toulouse (Comue de Toulouse)-Toulouse Mind & Brain Institut (TMBI), Université Toulouse - Jean Jaurès (UT2J), Communauté d'universités et établissements de Toulouse (Comue de Toulouse)-Université Toulouse III - Paul Sabatier (UT3), Communauté d'universités et établissements de Toulouse (Comue de Toulouse)-Université Toulouse Capitole (UT Capitole), Communauté d'universités et établissements de Toulouse (Comue de Toulouse), Équipe Structuration, Analyse et MOdélisation de documents Vidéo et Audio (IRIT-SAMoVA), Unité de Recherche Interdisciplinaire Octogone-Lordat (Octogone-Lordat), Communauté d'universités et établissements de Toulouse (Comue de Toulouse)-Communauté d'universités et établissements de Toulouse (Comue de Toulouse), IRT Saint Exupéry - Institut de Recherche Technologique, Laboratoire d'informatique de l'École polytechnique [Palaiseau] (LIX), École polytechnique (X), Institut Polytechnique de Paris (IP Paris)-Institut Polytechnique de Paris (IP Paris)-Centre National de la Recherche Scientifique (CNRS)
Source:
Journal of Machine Learning Research. 22:1-8
Publisher Information:
CCSD; Microtome Publishing, 2021.
Publication Year:
2021
Collection:
collection:X
collection:UNIV-TLSE2
collection:UNIV-TLSE3
collection:CNRS
collection:ENST
collection:LIX
collection:TELECOM-PARISTECH
collection:X-DEP-INFO
collection:OCTOGONE
collection:UT1-CAPITOLE
collection:IRT_SAINT-EXUPERY
collection:LTCI
collection:INFRES
collection:DIG
collection:IP_PARIS
collection:INSTITUTS-TELECOM
collection:IRIT
collection:IRIT-SAMOVA
collection:IRIT-IRIS
collection:IRIT-SI
collection:IRIT-GD
collection:TOULOUSE-INP
collection:UNIV-UT3
collection:UT3-INP
collection:UT3-TOULOUSEINP
collection:INSTITUT-MINES-TELECOM
collection:LNPL
collection:DEPARTEMENT-DE-MATHEMATIQUES
collection:IP-PARIS-MATHEMATIQUES
collection:IP-PARIS-INFORMATION-COMMUNICATION-ELECTRONIQUE
collection:IP-PARIS-INFORMATIQUE-DONNEES-ET-IA
Subject Terms:
stream learning, online learning, data stream, concept drift, supervised learning, unsupervised learning, Python, [INFO.INFO-AI]Computer Science [cs], Artificial Intelligence [cs.AI]
Original Identifier:
ARXIV: 2012.04740
HAL: hal-04468415
Document Type:
Zeitschrift article<br />Journal articles
Language:
English
ISSN:
1532-4435
1533-7928
Relation:
info:eu-repo/semantics/altIdentifier/arxiv/2012.04740; info:eu-repo/semantics/altIdentifier/doi/10.48550/arXiv.2012.04740
DOI:
10.48550/arXiv.2012.04740
Availability:
https://hal.science/hal-04468415
Accession Number:
edshal.hal.04468415v1
Database:
HAL

Weitere Informationen

River is a machine learning library for dynamic data streams and continual learning. It provides multiple state-of-the-art learning methods, data generators/transformers, performance metrics and evaluators for different stream learning problems. It is the result from the merger of two popular packages for stream learning in Python: Creme and scikitmultiflow. River introduces a revamped architecture based on the lessons learnt from the seminal packages. River’s ambition is to be the go-to library for doing machine learning on streaming data. Additionally, this open source package brings under the same umbrella a large community of practitioners and researchers. The source code is available at https://github.com/online-ml/river.