Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Buchtitelbild

2012 | OriginalPaper | Buchkapitel

1. Prologue

verfasst von : Moamar Sayed-Mouchaweh, Edwin Lughofer

Erschienen in: Learning in Non-Stationary Environments

Verlag: Springer New York

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

This introductory chapter intends to provide a general overview about the most essential requirements, demands and challenges with respect to dynamic learning of data-driven models in non-stationary environments and applications. It outlines the main lines of research investigated during the last decade in order to cope with the requirements, inter alia to handle high system dynamics, online data streams recorded with a high frequency, drifting system states and very large data bases within fast sample-wise and single-pass model updates conducted on-the-fly and in incremental manner. The last part of this chapter outlines a compact summary of the contents of the book by providing a paragraph about each of the single contributions.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Nächstes Kapitel Incremental Statistical Measures
Literatur
1.
Abraham, A., Dote, Y.: Engineering Hybrid Soft Computing Systems. Springer, New York (2010)
2.
Angelov, P., Filev, D.: An approach to online identification of Takagi–Sugeno fuzzy models. IEEE Transactions on Systems, Man and Cybernetics, part B: Cybernetics 34(1), 484–498 (2004)CrossRef
3.
Angelov, P., Filev, D., Kasabov, N.: Evolving Intelligent Systems—Methodology and Applications. John Wiley & Sons, New York (2010)CrossRef
4.
Angelov, P., Kasabov, N.: Evolving computational intelligence systems. In: Proceedings of the 1st International Workshop on Genetic Fuzzy Systems, pp. 76–82. Granada, Spain (2005)
5.
Angstenberger, L.: Dynamic fuzzy pattern recognition. Ph.D. thesis, Fakultät für Wirtschaftswissenschaften der Rheinisch-Westfälischen Technischen Hochschule (2000). Aachen, Germany
6.
Bifet, A., Gavalda, R.: Learning from time-changing data with adaptive windowing. In: Proceedings of the SIAM International Conference on Data Mining, pp. 443–448. Minneapolis, MN (2007)
7.
Bifet, A., Holmes, G., Kirkby, R., Pfahringer, B.: MOA: Massive online analysis. Journal of Machine Learning Research 11, 1601–1604 (2010)
8.
Boubacar, A., Lecoeuche, H., Maouche, S.: Audyc neural network using a new gaussian densities merge mechanism. In: 7th International Conference on Adaptive and Natural Computing Algorithms, pp. 155–158. Coimbra, Portugal (2005)
9.
Bouchachia, A.: Evolving clustering: an asset for evolving systems. IEEE SMC Newsletter 36 (2011)
10.
Diehl, C., Cauwenberghs, G.: SVM incremental learning, adaptation and optimization. In: Proceedings of the International Joint Conference on Neural Networks Vol. 4, pp. 2685–2690. Boston (2003)
11.
Domingos, P., Hulten, G.: Mining high-speed data streams. In: Proceedings of the Sixth ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, pp. 71–80. Boston, MA (2000)
12.
Gama, J.: Knowledge Discovery from Data Streams. Chapman & Hall/CRC, Boca Raton, Florida (2010)MATHCrossRef
13.
Hartert, L., Sayed-Mouchaweh, M., Billaudel, P.: A semi-supervised dynamic version of Fuzzy K-Nearest Neighbours to monitor evolving systems. Evolving Systems, 1 (1), 3–15 (2010)CrossRef
14.
Haykin, S.: Neural Networks: A Comprehensive Foundation (2nd Edition). Prentice Hall Inc., Upper Saddle River, New Jersey (1999)MATH
15.
Huang, G., Saratchandran, P., Sundararajan, N.: A generalized growing and pruning rbf (ggap-rbf) neural network for function approximation. IEEE Transactions on Neural Networks 16(1), 57–67 (2005)CrossRef
16.
Kasabov, N.: Evolving Connectionist Systems: The Knowledge Engineering Approach—Second Edition. Springer Verlag, London (2007)
17.
Kruse, R., Gebhardt, J., Palm, R.: Fuzzy Systems in Computer Science. Verlag Vieweg, Wiesbaden (1994)CrossRef
18.
Kuncheva, L.: Classifier ensembles for changing environments. In: Proceedings of the 5th International Workshop in Multiple Classifier Systems, pp. 1–15. Cagliari, Italy (2004)
19.
Lecoeuche, S., Lurette, C.: Auto-adaptive and dynamical clustering neural network. In: Proceedings of the International Conference on Artificial Neural Networks, pp. 350–358. Istanbul, Turkey (2003)
20.
Ljung, L.: System Identification: Theory for the User. Prentice Hall PTR, Prentic Hall Inc., Upper Saddle River, New Jersey (1999)
21.
Lughofer, E.: Evolving Fuzzy Systems—Methodologies, Advanced Concepts and Applications. Springer, Berlin Heidelberg (2011)MATHCrossRef
22.
Lughofer, E., Bouchot, J.L., Shaker, A.: On-line elimination of local redundancies in evolving fuzzy systems. Evolving Systems 2(3), 165–187 (2011)CrossRef
23.
Lughofer, E.: Human-inspired evolving machines—the next generation of evolving intelligent systems? IEEE SMC newsletter 36 (2011)
24.
Minku, F., White, A., Yao, X.: The impact of diversity on on-line ensemble learning in the presence of concept drift. IEEE Transactions on Knowledge and Data Engineering 22, 730–742 (2010)CrossRef
25.
Mouss, H., Mouss, D., Mouss, N., Sefouhi, L.: Test of Page-Hinkley, an approach for fault detection in an agro-alimentary production system. In: Proceedings of the Asian Control Conference, Volume 2, pp. 815–818 (2004)
26.
Nakhaeizadeh, G., Taylor, C., Kunisch, G.: Dynamic supervised learning. Some basic issues and application aspects. Classification and knowledge organization. pp. 123–135. Springer Verlag, Berlin Heidelberg (1997)
27.
Nelles, O.: Nonlinear System Identification. Springer, Berlin (2001)MATH
28.
Oza, N.C., Russell, S.: Online bagging and boosting. Artificial Intelligence and Statistics, pp. 105–112 (2001)
29.
Pedrycz, W., Gomide, F.: Fuzzy Systems Engineering: Toward Human-Centric Computing. John Wiley & Sons, Hoboken, New Jersey (2007)
30.
Pedrycz, W., Rai, P.: Collaborative clustering with the use of fuzzy c-means and its quantification. Fuzzy Sets and Systems 159(18), 2399–2427 (2008)MathSciNetMATHCrossRef
31.
Pedrycz, W., Weber, R.: Special issue on soft computing for dynamic data mining. Applied Soft Computing 8(4), 1281–1282 (2008)CrossRef
32.
Sayed-Mouchaweh, M.: Semi Supervised Classification Method for Dynamic Applications. Fuzzy Sets and Systems, 161(4), 544–563 (2010)MathSciNetCrossRef
33.
Sayed-Mouchaweh, M., Messai, N.: A clustering-based approach for the identification of a class of temporally switched linear systems. Elsevier, Pattern Recognition Letters (PRL), 33(2), 144–151 (2012)
34.
Tsymbal, A., Pechenizkiy, M., Cunningham, P., Puuronen, S.: Handling local concept drift with dynamic integration of classifiers: domain of antibiotic resistance in nosocomial infections. In: Proc. 19th IEEE Int. Symposium on Computer-Based Medical Systems CBMS 2006, pp. 679–684. Maribor, Slovenia (2006)
35.
Weber, R.: Dynamic data mining. Encyclopedia of Data Warehousing and Mining pp. 722–728 (2009)
Metadaten
Titel
Prologue
verfasst von
Moamar Sayed-Mouchaweh
Edwin Lughofer
Copyright-Jahr
2012
Verlag
Springer New York
Buch
Learning in Non-Stationary Environments

Print ISBN: 978-1-4419-8019-9

Electronic ISBN: 978-1-4419-8020-5

Copyright-Jahr: 2012

DOI
https://doi.org/10.1007/978-1-4419-8020-5_1

Premium Partner

    Bildnachweise