| Тип на файла | APK |
|---|---|
| Версия | 1.1.7 |
| Издател | Darren Yates |
| Дата на излизане | 3.11.2019 г. |
| Датата е добавена | 3.11.2019 г. |
| Os изисквания | Android |
| Изисквания | Requires Android 4.4 and up |
| Общо изтегляния | 4 |
| Изтегляния на седмица | 1 |
| Цена | Free |
Описание
DataLearner е лесен за използване инструмент за извличане на данни и откриване на знания от вашите собствени съвместими ARFF и CSV форматирани набори от данни за обучение (* вижте по-долу). Той е напълно самостоятелен, не изисква външно хранилище или мрежова свързаност, той изгражда модели директно на вашия телефон или таблет. Това не е обучителен курс или книга - това е истинско приложение за извличане на данни, базирано на машинно обучение.
>> Поддръжка на ARFF и CSV Наборите от данни за обучение трябва да отговарят или на ARFF формата на Weka, или на CSV (променлива, разделена със запетая). CSV файловете трябва да имат следните характеристики:
* трябва да включва заглавен ред
* атрибутът клас първоначално е зададен като последна колона
>> Принудително определяне на номиналния атрибут на клас Повечето от алгоритмите на DataLearner очакват номинални/категориални атрибути на клас и използването на числов атрибут на класа ще доведе до неуспех на повечето алгоритми. Новият „принудителен атрибут на клас към номинален“ преодолява това, но номиналните атрибути на класа с твърде много различни стойности могат да използват твърде много RAM.
*** НОВИНИ! Изследването на DataLearner е избрано за представяне на ADMA 2019 (15-та международна конференция за усъвършенствано извличане на данни и приложения) и ще бъде публикувано в „Бележки за лекции по изкуствен интелект“ (Springer) ***
DataLearner разполага с алгоритми за класификация, асоцииране и клъстериране от пакета Weka (Waikato Environment for Knowledge Analysis) с отворен код, плюс нови алгоритми, разработени от Data Science Research Unit (DSRU) в Charles Sturt University. В комбинация приложението предоставя 42 алгоритма за машинно обучение/извличане на данни, включително RandomForest, C4.5 (J48) и NaiveBayes.
DataLearner не събира информация, той изисква достъп до паметта на вашето устройство, просто за да зареди вашите набори от данни и да изгради вашите модели за машинно обучение.
DataLearner се използва като учебен инструмент в предмета ITC573 Data and Knowledge Engineering за магистърска степен по информационни технологии в университета Charles Sturt.
Вземете ресурсите:
GPL3-лицензиран изходен код в Github: https://github.com/darrenyatesau/DataLearner
Бързо видео в YouTube: https://youtu.be/H-7pETJZf-g
Изследователска статия за arXiv: https://arxiv.org/abs/1906.03773
Документ от конференцията AusDM 2018, който инициира DataLearner: https://www.researchgate.net/publication/331126867
Изследователи, ако използвате това приложение в изследователски приложения, моля, цитирайте научните статии по-горе. Благодаря.
Алгоритмите за машинно обучение включват:
Bayes BayesNet, NaiveBayes
Функции Logistic, SimpleLogistic, MultiLayerPerceptron (невронна мрежа)
Мързелив IBk (K най-близки съседи), KStar
Meta AdaBoostM1, Bagging, LogitBoost, MultiBoostAB, Random Committee, RandomSubSpace, RotationForest
Правила Конюнктивно правило, Таблица за решения, DTNB, JRip, OneR, PART, Ridor, ZeroR
Дървета ADTree, BFTree, DecisionStump, ForestPA, J48 (C4.5), LADTree, Random Forest, RandomTree, REPTree, SimpleCART, SPAARC, SysFor.
Clusterers DBSCAN, Expectation Maximization (EM), Farthest-First, FilteredClusterer, SimpleKMeans
Асоциации Apriori, FilteredAssociator, FPGrowth
>> Къде да намеря файлове с набор от данни? DataLearner идва с вграден демонстрационен набор от данни, наречен „rain.csv“, но ще намерите и много набори от данни на уебсайта на OpenML – включително популярния набор „ecoli“ (https://www.openml.org). Изтеглете версиите на ARFF на телефона си и ги заредете в DataLearner, за да създавате модели от тях. Гледайте нашия нов видео урок - https://www.youtube.com/watch?v=81tSbclMVT8
Този софтуер се доставя КАКЪВ Е - докато е бил тестван, не се подразбира или дава гаранция.
