| Typ pliku | APK |
|---|---|
| Wersja | 1.1.7 |
| Wydawca | Darren Yates |
| Data wydania | 3 lis 2019 |
| Data dodania | 3 lis 2019 |
| Wymagania systemu operacyjnego | Android |
| Wymagania | Requires Android 4.4 and up |
| Całkowita liczba pobrań | 4 |
| Pobrania tygodniowo | 1 |
| Cena £ | Free |
Opis
DataLearner to łatwe w użyciu narzędzie do eksploracji danych i odkrywania wiedzy z własnych zgodnych zestawów danych szkoleniowych w formacie ARFF i CSV (* patrz poniżej). Jest w pełni samowystarczalny, nie wymaga zewnętrznej pamięci masowej ani łączności sieciowej, buduje modele bezpośrednio na telefonie lub tablecie. To nie jest kurs szkoleniowy ani książka - to prawdziwa aplikacja do eksploracji danych oparta na uczeniu maszynowym.
>> Obsługa ARFF i CSV Zbiory danych treningowych muszą być zgodne z formatem Weka ARFF lub CSV (zmienna rozdzielana przecinkami). Pliki CSV muszą mieć następujące funkcje:
* musi zawierać wiersz nagłówka
* atrybut class jest początkowo ustawiony jako ostatnia kolumna
>> Wymuś atrybut klasy na nominalny Większość algorytmów DataLearner oczekuje atrybutów klasy nominalnej/kategorycznej, a użycie liczbowego atrybutu klasy spowoduje niepowodzenie większości algorytmów. Nowy „wymuszenie atrybutu klasy na nominalny” przezwycięża ten problem, jednak atrybuty klasy nominalnej ze zbyt wieloma odrębnymi wartościami mogą zużywać zbyt dużo pamięci RAM.
*** AKTUALNOŚCI! Badanie DataLearner zostało wybrane do prezentacji na ADMA 2019 (15th International Conference on Advanced Data Mining and Applications) i zostanie opublikowane w „Lecture Notes in Artificial Intelligence” (Springer) ***
DataLearner zawiera algorytmy klasyfikacji, asocjacji i klastrowania z pakietu Weka o otwartym kodzie źródłowym (Waikato Environment for Knowledge Analysis), a także nowe algorytmy opracowane przez Data Science Research Unit (DSRU) na Charles Sturt University. Łącznie aplikacja zapewnia 42 algorytmy uczenia maszynowego/wyszukiwania danych, w tym RandomForest, C4.5 (J48) i NaiveBayes.
DataLearner nie gromadzi żadnych informacji, które wymagają dostępu do pamięci urządzenia, aby załadować zestawy danych i zbudować modele uczenia maszynowego.
DataLearner jest używany jako narzędzie dydaktyczne w temacie Inżynieria danych i wiedzy ITC573 na studiach podyplomowych Master of Information Technology na Charles Sturt University.
Uzyskaj zasoby:
Kod źródłowy na licencji GPL3 na Github: https://github.com/darrenyatesau/DataLearner
Szybki film na YouTube: https://youtu.be/H-7pETJZf-g
Artykuł badawczy na temat arXiv: https://arxiv.org/abs/1906.03773
Dokument konferencyjny AusDM 2018, który zainicjował DataLearner: https://www.researchgate.net/publication/331126867
Naukowcy, jeśli korzystasz z tej aplikacji w zastosowaniach badawczych, zacytuj powyższe prace badawcze. Dziękuję.
Algorytmy uczenia maszynowego obejmują:
Bayes BayesNet, NaiveBayes
Funkcje Logistyczne, SimpleLogistic, MultiLayerPerceptron (sieć neuronowa)
Lazy IBk (K najbliżsi sąsiedzi), KStar
Meta AdaBoostM1, Bagging, LogitBoost, MultiBoostAB, Komitet losowy, RandomSubSpace, RotationForest
Reguły Reguła koniunkcyjna, Tabela decyzyjna, DTNB, JRip, OneR, PART, Ridor, ZeroR
Drzewa ADTree, BFTree, DecisionStump, ForestPA, J48 (C4.5), LADTree, Random Forest, RandomTree, REPTree, SimpleCART, SPAARC, SysFor.
Klastry DBSCAN, Maksymalizacja oczekiwań (EM), Farthest-First, FilteredClusterer, SimpleKMeans
Asocjacje Apriori, FilteredAssociator, FPGrowth
>> Gdzie znaleźć pliki zestawu danych? DataLearner zawiera wbudowany zestaw danych demonstracyjnych o nazwie „rain.csv”, ale na stronie OpenML znajdziesz również wiele zestawów danych – w tym popularny zestaw „ecoli” (https://www.openml.org). Pobierz wersje ARFF na swój telefon i załaduj je do DataLearner, aby budować z nich modele. Obejrzyj nasz nowy samouczek wideo - https://www.youtube.com/watch?v=81tSbclMVT8
To oprogramowanie jest dostarczane w stanie, w jakim się znajduje — chociaż zostało przetestowane, nie jest udzielana żadna dorozumiana ani udzielona gwarancja.
