Los modelos de aprendizaje automático permanente (LML) aprenden con la experiencia manteniendo una base de conocimientos, sin intervención del usuario. A diferencia de los modelos tradicionales de un solo dominio, pueden ampliarse fácilmente para explorar grandes datos. Los modelos LML existentes tienen una alta dependencia de los datos, consumen más recursos y no soportan el flujo de datos. Este artículo propone un modelo LML en línea (OAMC) para soportar el flujo de datos con una dependencia de datos reducida. Con la ingeniería de la base de conocimientos y la introducción de nuevas características de conocimiento, se mejora el patrón de aprendizaje del modelo para los datos que llegan por partes. OAMC mejora la precisión como la coherencia de los temas por 7o datos de streaming mientras reduce el coste de procesamiento a la mitad.
Esta es una versión de prueba de citación de documentos de la Biblioteca Virtual Pro. Puede contener errores. Lo invitamos a consultar los manuales de citación de las respectivas fuentes.
Artículo:
El impacto de las actividades de ocio en la salud mental de las personas mayores: El efecto mediador del apoyo social y el estrés percibido
Artículo:
Diseño de un sistema de seguimiento en pista para el entrenamiento de rehabilitación de lesiones deportivas
Artículo:
Combinando el contenido del texto de la reseña y la matriz de valoración del revisor para predecir la valoración de la reseña
Artículo:
Desarrollo y aplicación de geomallas inteligentes embebidas con sensores de rejilla de fibra de Bragg
Artículo:
Investigación sobre el reconocimiento de rostros con máscaras basado en una red neuronal mejorada
Artículo:
Creación de empresas y estrategia : reflexiones desde el enfoque de recursos
Artículo:
Importancia, manejo y control de extraíbles e incrustaciones (pitch) en la fabricación de papel
Artículo:
Estudio sobre la evaluación de la sostenibilidad de los productos innovadores
Libro:
Planta de tratamiento de aguas residuales