| Fájl típusa | APK |
|---|---|
| Változat | 1.1.7 |
| Kiadó | Darren Yates |
| Kiadási dátum | 2019. nov. 3. |
| Dátum hozzáadva | 2019. nov. 3. |
| Os követelmények | Android |
| Követelmények | Requires Android 4.4 and up |
| Összes letöltés | 4 |
| Letöltések hetente | 1 |
| Ár | Free |
Leírás
A DataLearner egy könnyen használható eszköz adatbányászathoz és tudásfeltáráshoz saját, kompatibilis ARFF- és CSV-formátumú képzési adatkészleteiből (* lásd alább). Teljesen önálló, nem igényel külső tárhelyet vagy hálózati kapcsolatot, közvetlenül a telefonra vagy táblagépre építi a modelleket. Ez nem tanfolyam vagy könyv – ez egy valódi gépi tanulás alapú adatbányászati alkalmazás.
>> ARFF és CSV támogatás A képzési adatkészleteknek meg kell felelniük a Weka ARFF formátumnak vagy a CSV-nek (vesszővel elválasztott változó). A CSV-fájloknak a következő jellemzőkkel kell rendelkezniük:
* tartalmaznia kell egy fejlécet
* A class attribútum kezdetben utolsó oszlopként van beállítva
>> Osztályattribútum kényszerítése nominálisra A DataLearner legtöbb algoritmusa névleges/kategorikus osztályattribútumokat vár el, és a numerikus osztályattribútum használata a legtöbb algoritmus meghibásodását okozza. Az új 'force class attribútum nominálisra' felülmúlja ezt, azonban a túl sok különböző értékkel rendelkező névleges osztályattribútum túl sok RAM-ot használ fel.
*** HÍREK! A DataLearner kutatást kiválasztották bemutatásra az ADMA 2019-re (15. nemzetközi konferencia a fejlett adatbányászatról és alkalmazásokról), és a „Lecture Notes in Artificial Intelligence” (Springer) című kiadványban teszik közzé.
A DataLearner a nyílt forráskódú Weka (Waikato Environment for Knowledge Analysis) csomag osztályozási, asszociációs és klaszterezési algoritmusait, valamint a Charles Sturt Egyetem Data Science Research Unit (DSRU) által kifejlesztett új algoritmusait tartalmazza. Az alkalmazás együttesen 42 gépi tanulási/adatbányászati algoritmust biztosít, köztük a RandomForest, a C4.5 (J48) és a NaiveBayes.
A DataLearner nem gyűjt információt, csak az adatkészletek betöltéséhez és a gépi tanulási modellek elkészítéséhez hozzáférést igényel az eszköz tárhelyéhez.
A DataLearnert oktatási eszközként használják az ITC573 Data and Knowledge Engineering tárgyban a Charles Sturt Egyetem informatikai mesterképzésének posztgraduális képzéséhez.
Szerezze be a forrásokat:
GPL3 licenccel rendelkező forráskód a Githubon: https://github.com/darrenyatesau/DataLearner
Gyors videó a YouTube-on: https://youtu.be/H-7pETJZf-g
Kutatási cikk az arXiv-ről: https://arxiv.org/abs/1906.03773
A DataLearnert elindító AusDM 2018 konferencia előadása: https://www.researchgate.net/publication/331126867
Kutatók, ha ezt az alkalmazást kutatási alkalmazásokban használják, kérjük, idézzék a fenti kutatási dokumentumokat. Kösz.
A gépi tanulási algoritmusok a következők:
Bayes BayesNet, NaiveBayes
Funkciók Logisztikai, SimpleLogistic, MultiLayerPerceptron (Neurális hálózat)
Lazy IBk (K Nearest Neighbours), KStar
Meta AdaBoostM1, Bagging, LogitBoost, MultiBoostAB, Random Committee, RandomSubSpace, RotationForest
Szabályok Konjunktív szabály, döntési táblázat, DTNB, JRip, OneR, PART, Ridor, ZeroR
Fák ADTree, BFTree, DecisionStump, ForestPA, J48 (C4.5), LADTree, Random Forest, RandomTree, REPTree, SimpleCART, SPAARC, SysFor.
Klaszterek DBSCAN, elvárás maximalizálása (EM), legtávolabbi első, szűrt fürtöző, egyszerű KMeans
Egyesületek Apriori, FilteredAssociator, FPGrowth
>> Hol találhatók az adatkészlet-fájlok? A DataLearner egy „rain.csv” nevű beépített bemutató adatkészlettel érkezik, de rengeteg adatkészletet is talál az OpenML webhelyén – beleértve a népszerű „ecoli” készletet (https://www.openml.org). Töltse le az ARFF-verziókat telefonjára, és töltse be őket a DataLearnerbe, hogy modelleket építhessen belőle. Tekintse meg új oktatóvideónkat – https://www.youtube.com/watch?v=81tSbclMVT8
Ezt a szoftvert AS-IS-ben szállítjuk – amíg tesztelték, nem vállalunk rá garanciát.