Przewidywanie warunku do surfingu za pomocą algorytmu uczenia przyrostowego dla danych strumieniowych

Abstract

W tej pracy porównano narzędzia używane do predykcji warunków surfingowych z wykorzystaniem algorytmów uczenia maszynowego dla danych strumieniowych. Do tego badania wykorzystano zbiór danych, uprzednio wyciągnięty w procesie ETL ze strony https://magicseaweed.com/ oraz wykorzystujący dane z biblioteki Python meteostat. Porównano tu zarówno klasyczne modele uczenia maszynowego jak Regresja liniowa, Lasy losowe przez głębokie sieci neuronowe kończąc na specjalistycznym modelu do analizy danych strumieniowych z biblioteką scikit-multiflow czyli Adaptacyjny las regresyjny Hoeffdinga.