Dec, 2020

基于 Python 的流数据机器学习平台 River

PDF
TL;DRRiver 是一个为动态数据流和不断学习提供多种先进学习方法、数据生成器 / 转换器、性能指标和评估器的机器学习库，是 Python 中流学习的两个最受欢迎的包 Creme 和 scikit-multiflow 合并的结果，意在成为处理流数据的机器学习库。
发现论文，激发创造
  • 在线机器学习中的超参数调整简化 -- spotRiverGUI

    批量机器学习在处理大量流数据时存在困难，但在线机器学习是一种解决批量机器学习限制的替代方法。river 和 spotRiver 是 Python 中的两个在线学习库，提供了分类、回归、聚类、异常检测等多种在线学习算法，并通过 spotRiverGUI 提供图形用户界面来简化用户的超参数调优过程。

    Feb, 2024

  • Scikit-Multiflow: 多输出流框架

    Scikit-multiflow is a Python library for multi-output/multi-label and stream data mining, providing various state of the art methods and built on popular open source frameworks, complying with FOSS principles and quality guidelines.

    Jul, 2018

  • Renate：面向实际场景的持续学习库

    本文介绍 Renata—— 一个用于 PyTorch 模型的实时更新管道的连续学习库，旨在解决实践中使用连续学习算法的需求，并展示了实验结果。

    Apr, 2023

  • Python 中的机器学习：Scikit-learn

    Scikit-learn 是一个 Python 模块，集成了各种最先进的机器学习算法，用于解决中等规模的监督和无监督问题，旨在将机器学习带给非专业人士使用通用高级语言，注重易用性，性能和一致的 API。

    Jan, 2012

  • 利用循环神经网络在陆面模型中实现河水路由

    借助机器学习和递归神经网络 (RNNs) 的方法，通过物理模型替代或补充，本研究针对水文学中全球河流预测的问题进行了研究，并发现 RNNs 在流域和时间的泛化能力上的高性能，为全球流域数量预测提供了新方法和证据。

    Apr, 2024

  • 流动的几何形状：用多模型机器学习推进河流几何形状的预测

    本研究通过使用机器学习模型，测试了传统水动力几何方程的预测性能，提出了对河流宽度和深度进行更准确估计的数据驱动方法，其中随机森林、XGBoost 和神经网络模型的表现优于传统的水动力几何方程，为河流几何特征的预测性提供了新的解决方案。

    Nov, 2023

  • 物理引导机器学习方法在水文学中的应用

    本文提出一种基于 LSTM 的深度学习结构，结合前沿的水文模型 SWAT，通过建模天气驱动和产流之间的中间交互过程，实现对径流预测的精确预测，同时减少了传统数据驱动方法所需的大量数据。

    Dec, 2020

  • 高效流式学习

    本文介绍了基于数据流的机器学习的概念，提出了流式高效学习的概念，通过初步理论框架的介绍，探讨了在资源受限和时间要求的情况下，如何处理收到的数据以提高学习性能。

    May, 2023

  • 水资源中未监测站点的时间序列预测的机器学习技术调查

    预测未监测站点中的动态环境变量是水资源科学领域长期存在的挑战，使用机器学习方法对水文时间序列进行预测能够从大量多样的数据集中提取信息，并提出了几个开放问题，包括如何将动态输入和站点特征、机制性理解和空间背景以及可解释的人工智能技术融入现代机器学习框架中。

    Aug, 2023

  • 数据流的历史背景

    数据流机器学习是一个活跃且不断发展的研究领域，本文回顾了数据流研究的历史背景，并将其与机器学习在数据流中的常见假设联系起来。

    Oct, 2023