Resumen

Más allá de aplicar modelos predictivos de aprendizaje automático a tareas estáticas, existe un corpus significativo de investigación que aplica modelos predictivos de aprendizaje automático a entornos de transmisión que incurren en deriva de conceptos. Con la prevalencia de aplicaciones del mundo real en transmisión que están asociadas con cambios en la distribución de datos subyacentes, la necesidad de aplicaciones que sean capaces de adaptarse a entornos dinámicos en evolución y variables objetivo que cambian con el tiempo difícilmente puede ser exagerada. Los entornos dinámicos son no estacionarios y cambian con el tiempo y las variables objetivo a predecir por el algoritmo de aprendizaje y a menudo evolucionan con el tiempo, un fenómeno conocido como deriva de concepto. La mayoría del trabajo en el manejo de la deriva de concepto se centra en actualizar el modelo de predicción para que pueda recuperarse de la deriva de concepto, mientras que poco esfuerzo se ha dedicado a la formulación de un sistema de aprendizaje capaz de aprender

• Materias:Inteligencia artificial Aplicación móvil Asistencia tecnológica a personas con discapacidad Tecnología en educación
• Subjects:Artificial intelligence Mobile application Technological assistance to people with disabilities Technology in education
• Palabras claves:Aprendizaje automático; Deriva de conceptos; Entornos de streaming; Clasificador de selección de conjuntos diversificado adaptativo; Diversidad de conjuntos; Rendimiento de la predicción.
• Keywords:Machine learning; Concept drift; Streaming environments; Adaptive diversified ensemble selection classifier; Ensemble diversity; Prediction performance