منصوبے کے بارے میں

ریور ایک اوپن سورس پائتھون لائبریری ہے جو آن لائن مشین لرننگ کے لیے وقف ہے، یعنی ڈیٹا اسٹریمز سے ایک وقت میں ایک مشاہدے کے ذریعے سیکھنا۔ اسے creme اور scikit-multiflow منصوبوں کے انضمام کا نتیجہ قرار دیا گیا ہے، اور اس کا بیان کردہ مقصد اسٹریمنگ ڈیٹا پر مشین لرننگ کے لیے ایک صارف دوست لائبریری ہونا ہے۔ بنیادی انٹرفیس اضافی ہے: ماڈلز learn_one اور predict_one فراہم کرتے ہیں، لہٰذا ہر نمونے کی آمد پر پیش گوئیاں اور اپ ڈیٹس کو یکے بعد دیگرے کیا جا سکتا ہے، بغیر ماضی کے ڈیٹا کو دوبارہ دیکھے۔ ایک کوئیک اسٹارٹ مثال بلٹ اِن Phishing ڈیٹاسیٹ پر لاجسٹک ریگریشن کو StandardScaler کے بعد LogisticRegression کی پائپ لائن کے ذریعے تربیت دیتی ہے، جبکہ Accuracy میٹرک ماڈل کے ساتھ ساتھ اپ ڈیٹ ہوتی ہے۔ تنصیب pip کے ذریعے کی جاتی ہے (pip install river)، جس کے وہیلز Linux، macOS اور Windows کے لیے شائع کیے گئے ہیں۔ یہ منصوبہ پائتھون 3.11 اور اس سے اوپر کو ہدف بناتا ہے۔ بنیادی آن لائن انٹرفیس میں pandas کی کوئی انحصاری نہیں؛ ایک منی بیچ انٹرفیس (learn_many، predict_many، predict_proba_many، transform_many) pandas پر بنایا گیا ہے اور river[pandas] ایکسٹرا کے ذریعے اختیاری ہے۔ ایک ڈیولپمنٹ ورژن GitHub سے انسٹال کیا جا سکتا ہے، جس کے لیے Cython اور Rust درکار ہیں۔ شامل الگورتھم خاندانوں میں متعدد آپٹیمائزرز کے ساتھ لکیری ماڈلز، ڈیسیژن ٹریز اور رینڈم فورسٹس، تخمینی قریبی پڑوسی، بے ضابطگی کی نشاندہی، ڈرفٹ کی نشاندہی، سفارش کنندہ نظام، ٹائم سیریز کی پیش گوئی، بینڈٹس، فیکٹرائزیشن مشینیں، غیر متوازن لرننگ، کلسٹرنگ، بیگنگ/بوسٹنگ/اسٹیکنگ اور فعال لرننگ شامل ہیں۔ اضافی آن لائن افادیت میں فیچر ایکسٹریکشن اور سلیکشن، آن لائن شماریات اور میٹرکس، پری پروسیسنگ، بلٹ اِن ڈیٹاسیٹس، تدریجی ماڈل ویلیڈیشن اور ماڈل پائپ لائنز شامل ہیں۔ README واضح طور پر بیان کرتا ہے کہ آن لائن لرننگ کب موزوں ہے: جب ماڈل کو ماضی کو دوبارہ دیکھے بغیر نئے ڈیٹا سے سیکھنا چاہیے، جب تصوراتی ڈرفٹ کے خلاف مضبوطی اہم ہو، یا جب ڈیولپمنٹ ایونٹ پر مبنی پروڈکشن ترتیبات سے مشابہ ہونی چاہیے۔ یہ یہ بھی نوٹ کرتا ہے کہ ریور کارکردگی کے بجائے وضاحت اور صارف کے تجربے پر زور دیتا ہے، ایک وقت میں ایک نمونے کی پروسیسنگ میں تیز ہے، اور پائتھون ماحولیاتی نظام کے باقی حصوں کے ساتھ مربوط ہوتا ہے۔ دستاویزات riverml.xyz پر میزبانی کی جاتی ہیں، جس میں پیکیج ریلیزز، ایک awesome-online-machine-learning فہرست، ایک 2022 GAIA پریزنٹیشن اور آن لائن کلسٹرنگ پر ایک KDD'22 مقالے کے لنکس شامل ہیں۔ یہ منصوبہ BSD 3-clause لائسنس کے تحت ہے، اس کا ایک عوامی روڈ میپ ہے، اور مباحثوں، مسائل اور شراکتوں کا خیرمقدم کرتا ہے۔ حوالہ دینے کے لیے ایک JMLR مقالہ دستیاب ہے۔