River 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。

Dec, 2020

本研究旨在针对数据漂移自动设计在线学习的管道，将在线学习器的固有适应能力与自动化管道的快速优化能力结合起来，我们基于异步遗传编程和异步连续缩减思路优化管道，实验证明了 OAML 系统在数据漂移情况下相比流行的在线学习算法具有更好的性能和适应能力，连续管道重新设计在处理数据漂移问题时效果显著。

Jan, 2022

本文介绍了一个 R 包与 Online 机器学习平台 OpenML 的接口，并展示了在结合使用机器学习 R 软件 mlr 时的使用。OpenML 平台可帮助 R 用户轻松搜索、下载和上传数据集和机器学习任务，自动化大部分繁琐的工作，促进协作，加速研究，增加用户的在线可见性。

Jan, 2017

本文介绍了使用 spotPython 进行超参数调整的全面指南，包括 scikit-learn、PyTorch 和 river 的应用。通过案例研究，作者展示了对 sklearn 模型（如支持向量分类、随机森林、梯度提升（XGB）和 K 最近邻（KNN））以及 river 中的 Hoeffding 自适应树回归器进行超参数调优的过程，还讨论了如何将 spotPython 集成到 PyTorch 和 PyTorch Lightning 训练工作流中。本文是一个实用的超参数调整起点，重点介绍了 Tensorboard、PyTorch Lightning、spotPython 和 river 之间的相互作用。

Jul, 2023

本研究介绍了开源软件包 OMLT，该软件包整合了神经网络和梯度提升树代理模型，并展示了如何无缝地将 OMLT 与代数建模语言 Pyomo 融合，使其能够解决计算机科学和工程学领域的决策问题。

Feb, 2022

混合物理机器学习气候模拟的研究表明，在线模型性能在内存融合、相对湿度输入特征转化和附加输入变量等方面得到改善，而在线误差的显著变化和离线与在线错误统计的不一致性表明应对数百种候选的机器学习模型进行在线评估来检测参数化设计选择的影响。

Sep, 2023

机器学习算法在当今世界中变得不可或缺，支持和加速我们根据手头数据做出决策的方式。本文回顾了在 ECML PKDD 2023 上举办的我们的在线深度学习机会与挑战教程，并简要概述了在在线学习环境中应用神经网络的机会和潜在风险，其中使用了 River 和 Deep-River 框架。

May, 2024

本文介绍了一个名为 DriveML 的自动机器学习工具包，可用于自动数据准备，特征工程，模型构建和模型解释，并与其他相关工具包进行了比较。研究表明，DriveML 表现最佳，能够减少开发时间，降低开发人员的错误，优化机器学习模型并提高可重复性。

May, 2020

本文分析了自动机器学习在企业分析应用中的潜力，并将 H2O AutoML 框架与手工调整的 ML 模型在三个真实数据集上进行了基准测试，发现 H2O AutoML 框架快速、易用、可靠，表现接近手工调优的 ML 模型，是一个有价值的工具，能够支持快速原型设计，缩短开发和部署周期，并能够弥合 ML 专家供需之间的差距。

May, 2022

介绍了 OpenML，这是一个用于分享和组织详细数据以更有效地工作、更可见和与他人合作解决更困难问题的机器学习研究者的场所，探讨了 OpenML 与其他网络科学实例的关系以及对机器学习研究、科学家和学生从业者带来的好处。

Jul, 2014