> ML_KUTUPHANE // RIVER_v1.0
River
River Community / Open Source — Akış verileri ve kavram kayması için Python ile çevrimiçi makine öğrenimi.
classical-mlv0.21.2BSD-3-Clausequalified
Model Eğitimi (Training)
Desteklenen Hızlandırıcılar:
CPU
Dağıtık Eğitim (Distributed):Hayır
Model Sunumu (Inference)
Inference Hızlandırıcıları:
CPU
Hedef Ortamlar (Targets):server, edge
Neleri Sağlar (Ne Yapar)
- +Sabit bellek kullanımıyla tek geçişli çevrimiçi öğrenme (learn_one, predict_one)
- +Sürekli kavram kayması tespiti ve model uyarlaması (ADWIN, KSWIN)
- +Gerçek zamanlı öznitelik çıkarımı ve akış karar ağaçları (Hoeffding Trees)
Neleri Sağlamaz (Ne Yapmaz)
- -Statik verilerde tam epoklar boyunca toplu (batch) optimizasyon yapma
- -İşlemleri GPU üzerinde hızlandırma
- -Derin transformer dil modelleri eğitme
>Uygun İş Tipleri
- Finansal işlem akışlarında sürekli gerçek zamanlı sahtekarlık tespiti
- IoT sensör kayması izleme ve canlı anormallik tespiti
- Aygıt üzerinde sürekli öğrenen düşük kaynaklı uç tahminler
>Uygun Olmayan İş Tipleri
- Statik geçmiş toplu raporlama
- Geniş ölçekli çevrimdışı derin öğrenme
Veri Yerleşimi ve İkameti
Uçucu akış belleği; veriler learn_one sonrası hemen silinebilir.
Güvenlik Değerlendirmesi
Harici soket açmaz; akış konteynerlerinde güvenlidir.
Operasyonel Metrikler ve Bilinen Kısıtlar
Olgunluk:mature
Öğrenme Eğrisi:moderate
Operasyon Yükü:low
Maliyet Seviyesi:free-oss
> Bilinen Kısıtlamalar:
- Akış başına tek iş parçacıklı ardışık işleme.
- Gözetimli öğrenme için sürekli etiket geri bildirim döngüsü gerektirir.
İlişkili Üretim Arıza Paternleri (Incidentpedia)
Bu kütüphaneyi üretimde kullanırken aşağıdaki arıza senaryolarına karşı fail-closed korumalar uygulayın:
> Birincil Kanıt ve Doğrulama Kaynakları
River Documentationofficial-docs • >=0.18.0, <=0.21.x
2026-09-25HIGH