DataLearner - Data Mining Soft

DataLearner es una herramienta fácil de usar para la minería de datos y el descubrimiento de conocimiento de sus propios conjuntos de datos de capacitación con formato ARFF y CSV compatibles. Es totalmente autónomo, no requiere almacenamiento externo ni conectividad de red: construye modelos directamente en su teléfono o tableta.

>> Soporte ARFF y CSV <<

Los conjuntos de datos de entrenamiento deben ser CSV (variable separada por comas) o formato Weka ARFF.

Los archivos CSV deben tener las siguientes características:

* incluye una fila de encabezado

* el atributo de clase se establece inicialmente como la última columna

>> Fuerza atributo de clase a nominal <<

La mayoría de los algoritmos de DataLearner esperan atributos de clase nominales / categóricos y el uso de un atributo de clase numérico hará que la mayoría de los algoritmos fallen. La nueva característica 'forzar atributo de clase a nominal' supera esto, sin embargo, los atributos de clase nominal con demasiados valores distintos pueden usar demasiada RAM.

DataLearner presenta algoritmos de clasificación, asociación y agrupación del paquete de código abierto Weka (Waikato Environment for Knowledge Analysis), además de nuevos algoritmos desarrollados por la Unidad de Investigación de Ciencia de Datos (DSRU) en la Universidad Charles Sturt. Combinada, la aplicación proporciona 42 algoritmos de aprendizaje automático / minería de datos, incluidos RandomForest, C4.5 (J48) y NaiveBayes.

DataLearner no recopila información: requiere acceso al almacenamiento de su dispositivo simplemente para cargar sus conjuntos de datos y construir sus modelos de aprendizaje automático.

* DataLearner se está utilizando como herramienta de enseñanza en la asignatura de Ingeniería de Datos y Conocimientos ITC573 para Máster en Tecnología de la Información de posgrado en la Universidad Charles Sturt.

* La investigación de DataLearner se presentó en ADMA 2019 (15a Conferencia Internacional sobre Minería de Datos Avanzada y Aplicaciones) y se publicó en 'Lecture Notes in Artificial Intelligence' (Springer)

Obtenga los recursos:

Código fuente con licencia GPL3 en Github: https://github.com/darrenyatesau/DataLearner

Video rápido en YouTube: https://youtu.be/H-7pETJZf-g

Documento de investigación sobre arXiv: https://arxiv.org/abs/1906.03773

Documento de conferencia de AusDM 2018 que inició DataLearner: https://www.researchgate.net/publication/331126867

Investigadores, si usan esta aplicación en aplicaciones de investigación, cite los documentos de investigación anteriores. Gracias.

Los algoritmos de aprendizaje automático incluyen:

• Bayes - BayesNet, NaiveBayes

• Funciones: Logística, SimpleLogistic, MultiLayerPerceptron (Red neuronal)

• Perezoso - IBk (K vecinos más cercanos), KStar

• Meta: AdaBoostM1, Ensacado, LogitBoost, MultiBoostAB, Comité aleatorio, RandomSubSpace, RotationForest

• Reglas: regla conjuntiva, tabla de decisiones, DTNB, JRip, OneR, PART, Ridor, ZeroR

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

• Clusterers: DBSCAN, Maximización de expectativas (EM), Farthest-First, FilteredClusterer, SimpleKMeans

• Asociaciones - Apriori, FilteredAssociator, FPGrowth

DESCARGO DE RESPONSABILIDAD: Este software se suministra "TAL CUAL", aunque se ha probado, no se ofrece ni se garantiza ni se garantiza. Úselo bajo su propio riesgo. La descarga de este software muestra que acepta estos términos.