DataLearner - Data Mining Soft

DataLearner ist ein benutzerfreundliches Tool für Data Mining und Knowledge Discovery aus Ihren eigenen kompatiblen ARFF- und CSV-formatierten Trainingsdatensätzen. Es ist vollständig eigenständig, erfordert keinen externen Speicher oder Netzwerkkonnektivität - es erstellt Modelle direkt auf Ihrem Telefon oder Tablet.

>> ARFF- und CSV-Unterstützung <<

Trainingsdatensätze müssen entweder im CSV-Format (durch Kommas getrennte Variable) oder im Weka ARFF-Format vorliegen.

CSV-Dateien müssen die folgenden Funktionen aufweisen:

* Fügen Sie eine Kopfzeile hinzu

* class-Attribut wird anfänglich als letzte Spalte festgelegt

>> Klassenattribut auf nominal erzwingen <<

Die meisten DataLearner-Algorithmen erwarten nominelle / kategoriale Klassenattribute, und die Verwendung eines numerischen Klassenattributs führt zum Fehlschlagen der meisten Algorithmen. Die neue Funktion "Klassenattribut auf Nominalwert erzwingen" überwindet dies. Nominalklassenattribute mit zu vielen unterschiedlichen Werten können jedoch zu viel RAM verbrauchen.

DataLearner enthält Klassifizierungs-, Zuordnungs- und Clustering-Algorithmen aus dem Open-Source-Paket Weka (Waikato Environment for Knowledge Analysis) sowie neue Algorithmen, die von der Data Science Research Unit (DSRU) der Charles Sturt University entwickelt wurden. Zusammen bietet die App 42 Algorithmen für maschinelles Lernen / Data Mining, darunter RandomForest, C4.5 (J48) und NaiveBayes.

DataLearner sammelt keine Informationen. Sie benötigen lediglich Zugriff auf Ihren Gerätespeicher, um Ihre Datensätze zu laden und Ihre Modelle für maschinelles Lernen zu erstellen.

* DataLearner wird als Lehrmittel im Fach ITC573 Data and Knowledge Engineering für verwendet Abschluss als Master of Information Technology an der Charles Sturt University.

* Die DataLearner-Forschung wurde auf der ADMA 2019 (15. Internationale Konferenz für Advanced Data Mining and Applications) vorgestellt und in "Lecture Notes in Artificial Intelligence" (Springer) veröffentlicht.

Holen Sie sich die Ressourcen:

GPL3-lizenzierter Quellcode auf Github: https://github.com/darrenyatesau/DataLearner

Kurzes Video auf YouTube: https://youtu.be/H-7pETJZf-g

Forschungsbericht zu arXiv: https://arxiv.org/abs/1906.03773

Konferenzbeitrag zu AusDM 2018, der DataLearner initiierte: https://www.researchgate.net/publication/331126867

Forscher, wenn Sie diese App in Forschungsanwendungen verwenden, zitieren Sie bitte die oben genannten Forschungsarbeiten. Vielen Dank.

Zu den Algorithmen für maschinelles Lernen gehören:

• Bayes - BayesNet, NaiveBayes

• Funktionen - Logistic, SimpleLogistic, MultiLayerPerceptron (Neuronales Netzwerk)

• Lazy - IBk (K Nächste Nachbarn), KStar

• Meta - AdaBoostM1, Bagging, LogitBoost, MultiBoostAB, Zufallsausschuss, RandomSubSpace, RotationForest

• Regeln - Konjunktivregel, Entscheidungstabelle, DTNB, JRip, OneR, PART, Ridor, ZeroR

• Bäume - ADTree, BFTree, DecisionStump, ForestPA, J48 (C4.5), LADTree, Random Forest, RandomTree, REPTree, SimpleCART, SPAARC, SysFor.

• Clusterer - DBSCAN, Expectation Maximization (EM), Am weitesten vorne, FilteredClusterer, SimpleKMeans

• Assoziationen - Apriori, FilteredAssociator, FPGrowth

HAFTUNGSAUSSCHLUSS: Diese Software wird "wie besehen" geliefert - obwohl sie getestet wurde, wird keine Garantie oder Gewährleistung übernommen. Benutzung auf eigenes Risiko. Wenn Sie diese Software herunterladen, stimmen Sie diesen Bedingungen zu.