---

Inkrementelle Lernalgorithmen ziehen die Information für den Aufbau eines Voraussagemodells aus einem Datenstrom. Sie basieren auf der impliziten Annahme, dass sich das den Daten zugrundeliegende Modell nicht ändert. Dies ist jedoch in vielen Anwendungen nicht gegeben, was als Concept Drift Verhalten bezeichnet wird. Dies hat zur Folge, dass das Voraussagemodell angepasst werden muss. Im vorliegenden Buch wird ein neuer Lösungsansatz für dieses Problems erarbeitet. Als Erstes werden synthetische Datensätze definiert, welche die Möglichkeit bieten, gezielt Concept Drifts zu simulieren. Anschliessend werden Benchmarks erstellt, welche die optimale Lösung für das Problem darstellen. Zusätzlich führen wir ein Entropiemass ein, welches Concept Drifts abbilden kann. Es wird untersucht, ob es eine Korrelation zwischen dem Entropiemass und dem Benchmark gibt. Abschliessend wird gezeigt, wie ein Algorithmus anhand dieser Korrelation dynamisch auf Concept Drifts reagieren kann.

---

Martin Constam hat in Zürich Wirtschaftsinformatik studiert und sich intensiv mit dem Thema Machine Learning und KI beschäftigt. Zurzeit arbeitet er als IT Architekt im Microsoft .NET Bereich bei einer renommierten Schweizer Beratungsfirma.

---