online-ml/awesome-online-machine-learning

该项目是一个精选列表，通常被称为“awesome list”，汇集了关于 online machine learning 的高质量资源——这是机器学习的一个分支，模型从逐个到达的数据中学习，而不是一次性处理所有数据。该列表由社区维护，并遵循流行的“awesome”格式。

README 开篇给出了明确的定义：在线机器学习通过每个新数据点增量更新模型，这与一次性处理整个数据集的传统批量学习不同。

包含哪些内容？

• 课程和书籍 — 指向免费讲义、教科书和在线课程的链接。例如 "Machine Learning for Streaming Data with Python" 以及来自 MIT 的 "Online Methods in Machine Learning" 课程。许多内容侧重于实践方面，例如使用 Vowpal Wabbit 库。

• 博客文章 — 解释概念并提供教程的短文。主题涵盖从实时 ML 挑战到使用 River 库进行异常检测。部分文章为英文，部分为葡萄牙语。

• 软件 — 分为两部分：

  • 建模 — 实现在线学习算法的库和工具。例如 River (Python)、 MOA (Java) 和 Vowpal Wabbit (C++)。列表中还提到 scikit-learn 具有一些增量功能，尽管不是完全的在线学习。
  • 部署 — 将在线模型投入生产的工具，例如 KappaML 和名为 django-river-ml 的 Django 插件。

• 论文 — 学术研究论文，分为多个部分：线性模型、支持向量机、神经网络、决策树、无监督学习、时间序列、漂移检测、异常检测、度量学习、图论、集成模型、专家学习、主动学习等。每篇论文都有直接链接，并在相关时附有简短说明，例如指向源代码或实现。

如何组织？

所有内容都以清晰的标题列出，方便跳转到所需内容。该列表不是教程，而是一个起点。它假设你已经了解一些机器学习知识，但想找到关于在线变体的最佳材料。

适合人群？

想要学习或使用流式数据的学生、研究人员和从业者。如果你正在构建需要实时更新预测的系统，此列表将为你指引正确的技巧和工具。

关于真实性的说明： 以上所有细节均直接来自该项目的 README。我没有添加 README 中未说明的任何额外功能或事实。