مروری بر مبحث رانش مفهوم در جریان داده ها

در طول چند سال گذشته، طبقه بندی جریان داده نقش مهمی در کشف دانش و آنالیز داده های بزرگ ایفا کرده است. هدف طبقه بندی در زمینه ی جریان داده، پیش بینی کردن برچسپ کلاس نمونه هایورودی از رکورد داده های مداوم که می تواند فقط در یک زمان و حافظه ی محدود خوانده شود. این کار با استخراج کردن دانش مفید از داده های گذشته ی درون جریان با استفاده از تکنیک های یادگیریماشین صورت می گیرد. این مقاله در ابتدا انواع مختلف رانش مفهوم را توصیف می کند که بر نمونه های داده تاثیر می گذارد و روش های مختلف الگوریتم های یادگیری را برای مدیریت سناریوهای رانش مفهوم مورد بحث قرار می دهد. هدف این مقاله بررسی و مقایسه رویکردهای طبقه بندی برای استخراج جریان داده و به تصویر کشیدن چالش های کلیدی است که راه حل های الگوریتمی برای استخراج جریان با آن روبرو هستند به ویژه با تمرکز بر روی مسئله ی رایج رانش مفهوم که یک بحث جامع از رانش مفهوم و چالش های داده های ذاتی آن در زمینه استخراج جریان ارائه شده است. با بررسی های انجام شده در زمینه ی تحقیقات فعلی، این مطالعه توصیه هایی را برای تحقیقات آینده پیشنهاد می کند که در پیشرفت استخراج جریان و الگوریتم های تشخیص رانش مفهومی کمک می کند .