A popularização de tecnologias de sensoriamento e conectividade, como o 5G e a Internet das Coisas (IoT), tem impulsionado um aumento significativo na geração de fluxos de dados. Esses fluxos representam sequências contínuas e ilimitadas de informações, geradas em alta frequência. Como resultado, a demanda por algoritmos de aprendizado de máquina capazes de extrair padrões desses dados e prever rótulos para novas instâncias do fluxo tem crescido consideravelmente. Um dos principais desafios na classificação de fluxos de dados é a presença de mudanças de conceito, que podem ser categorizadas em quatro tipos: abruptas, graduais, incrementais e recorrentes. Embora as mudanças de conceito recorrentes sejam frequentemente observadas em aplicações do mundo real, elas ainda são pouco exploradas na literatura, deixando uma lacuna no desenvolvimento de técnicas específicas para lidar com esse tipo de mudança. Dessa forma, este trabalho propõe a seguinte pergunta de pesquisa: Como adaptar um algoritmo para suportar a classificação em fluxos de dados de forma rápida, ao mesmo tempo em que lida ativamente com a ocorrência de mudanças de conceito recorrentes?
