| ფაილის ტიპი | APK |
|---|---|
| ვერსია | 1.1.7 |
| გამომცემელი | Darren Yates |
| Გამოშვების თარიღი | 3 ნოე. 2019 |
| Თარიღი დამატებულია | 3 ნოე. 2019 |
| მოთხოვნები | Android |
| მოთხოვნები | Requires Android 4.4 and up |
| სულ ჩამოტვირთვების | 4 |
| ჩამოტვირთვები კვირაში | 1 |
| ფასი | Free |
აღწერა
DataLearner არის ადვილად გამოსაყენებელი ინსტრუმენტი მონაცემთა მოპოვებისა და ცოდნის აღმოსაჩენად თქვენი საკუთარი თავსებადი ARFF და CSV ფორმატირებული სასწავლო მონაცემთა ნაკრებიდან (* იხილეთ ქვემოთ). ის სრულად დამოუკიდებელია, არ საჭიროებს გარე მეხსიერებას ან ქსელურ კავშირს, ის აშენებს მოდელებს პირდაპირ თქვენს ტელეფონზე ან ტაბლეტზე. ეს არ არის სასწავლო კურსი ან წიგნი - ეს არის ნამდვილი მანქანურ სწავლებაზე დაფუძნებული მონაცემთა მოპოვების აპლიკაცია.
>> ARFF და CSV მხარდაჭერა ტრენინგის მონაცემთა ნაკრები უნდა შეესაბამებოდეს Weka ARFF ფორმატს ან CSV (მძიმით გამოყოფილი ცვლადი). CSV ფაილებს უნდა ჰქონდეს შემდეგი მახასიათებლები:
* უნდა შეიცავდეს სათაურის რიგს
* class ატრიბუტი თავდაპირველად მითითებულია ბოლო სვეტად
>> დაავალეთ კლასის ატრიბუტი ნომინალზე DataLearner-ის ალგორითმების უმეტესობა მოელის ნომინალურ/კატეგორიულ კლასის ატრიბუტებს და რიცხვითი კლასის ატრიბუტის გამოყენება გამოიწვევს ალგორითმების უმეტესობის მარცხს. ახალი 'force class ატრიბუტი ნომინალზე' გადალახავს ამას, თუმცა, ნომინალური კლასის ატრიბუტებმა ძალიან ბევრი განსხვავებული მნიშვნელობით შეიძლება გამოიყენონ ძალიან ბევრი ოპერატიული მეხსიერება.
*** სიახლე! DataLearner-ის კვლევა შერჩეულია ADMA 2019-ზე პრეზენტაციისთვის (მე-15 საერთაშორისო კონფერენცია მოწინავე მონაცემთა მოპოვებისა და აპლიკაციების შესახებ) და გამოქვეყნდება "ლექციების შენიშვნები ხელოვნურ ინტელექტში" (Springer) ***
DataLearner აღჭურვილია კლასიფიკაციის, ასოციაციისა და კლასტერიზაციის ალგორითმებიდან ღია კოდიდან Weka (Waikato Environment for Knowledge Analysis) პაკეტიდან, პლუს ახალი ალგორითმები, რომლებიც შემუშავებულია მონაცემთა მეცნიერების კვლევის განყოფილების (DSRU) მიერ ჩარლზ სტურტის უნივერსიტეტში. კომბინირებულად, აპლიკაცია გთავაზობთ 42 მანქანათმცოდნეობის/მონაცემთა მოპოვების ალგორითმს, მათ შორის RandomForest, C4.5 (J48) და NaiveBayes.
DataLearner არ აგროვებს ინფორმაციას, რომელიც საჭიროებს წვდომას თქვენი მოწყობილობის საცავზე უბრალოდ თქვენი მონაცემთა ნაკრების ჩასატვირთად და მანქანური სწავლების მოდელების შესაქმნელად.
DataLearner გამოიყენება როგორც სასწავლო ინსტრუმენტი ITC573 მონაცემთა და ცოდნის ინჟინერიის საგანში ჩარლზ სტურტის უნივერსიტეტის საინფორმაციო ტექნოლოგიების მაგისტრის ასპირანტურაში.
მიიღეთ რესურსები:
GPL3 ლიცენზირებული წყაროს კოდი Github-ზე: https://github.com/darrenyatesau/DataLearner
სწრაფი ვიდეო YouTube-ზე: https://youtu.be/H-7pETJZf-g
კვლევის ნაშრომი arXiv-ზე: https://arxiv.org/abs/1906.03773
AusDM 2018 საკონფერენციო ნაშრომი, რომელმაც დაიწყო DataLearner: https://www.researchgate.net/publication/331126867
მკვლევარები, თუ ამ აპს იყენებთ კვლევის აპლიკაციებში, გთხოვთ, მოიყვანოთ ზემოთ მოცემული კვლევის ნაშრომები. მადლობა.
მანქანათმცოდნეობის ალგორითმები მოიცავს:
Bayes BayesNet, NaiveBayes
ფუნქციები Logistic, SimpleLogistic, MultiLayerPerceptron (ნერვული ქსელი)
Lazy IBk (K უახლოესი მეზობლები), KStar
Meta AdaBoostM1, Bagging, LogitBoost, MultiBoostAB, შემთხვევითი კომიტეტი, RandomSubSpace, RotationForest
წესების შემაერთებელი წესი, გადაწყვეტილების ცხრილი, DTNB, JRip, OneR, PART, Ridor, ZeroR
ხეები ADTree, BFTree, DecisionStump, ForestPA, J48 (C4.5), LADTree, Random Forest, RandomTree, REPTree, SimpleCART, SPAARC, SysFor.
კლასტერები DBSCAN, მოლოდინის მაქსიმიზაცია (EM), უშორესი-პირველი, გაფილტრული კლასტერერი, SimpleKMeans
ასოციაციები Apriori, FilteredAssociator, FPGrowth
>> სად ვიპოვოთ მონაცემთა ფაილები? DataLearner-ს გააჩნია ჩაშენებული დემო მონაცემთა ნაკრები სახელწოდებით 'rain.csv', მაგრამ თქვენ ასევე ნახავთ უამრავ მონაცემთა ნაკრებს OpenML ვებსაიტზე - პოპულარული 'ecoli' ნაკრების ჩათვლით (https://www.openml.org). ჩამოტვირთეთ ARFF ვერსიები თქვენს ტელეფონში და ჩატვირთეთ ისინი DataLearner-ში მოდელების შესაქმნელად. უყურეთ ჩვენს ახალ ვიდეო გაკვეთილს - https://www.youtube.com/watch?v=81tSbclMVT8
ეს პროგრამული უზრუნველყოფა მოწოდებულია AS-IS - სანამ ის შემოწმებულია, არანაირი გარანტია არ არის ნაგულისხმევი ან გაცემული.
