DataLearner - Data Mining Soft

DataLearner ابزاری با کاربرد آسان برای داده کاوی و کشف دانش از مجموعه داده های آموزشی ARFF و CSV با قالب سازگار است. کاملاً خود مختار است و نیازی به فضای ذخیره سازی خارجی یا اتصال به شبکه ندارد - این مدل ها را مستقیماً بر روی تلفن یا رایانه لوحی شما می سازد.

>> پشتیبانی ARFF و CSV <<

مجموعه داده های آموزش باید از نوع CSV (متغیر جدا شده با کاما) یا Weka ARFF باشد.

پرونده های CSV باید دارای ویژگی های زیر باشند:

* شامل یک ردیف سربرگ

* ویژگی کلاس در ابتدا به عنوان ستون آخر تنظیم می شود

>> ویژگی کلاس نیرو به اسمی <<

بسیاری از الگوریتم های DataLearner انتظار دارند که از ویژگی های کلاس اسمی / طبقه ای استفاده کنند و استفاده از یک ویژگی کلاس عددی باعث عدم موفقیت بیشتر الگوریتم ها خواهد شد. ویژگی جدید "کلاس نیرو به اسمی" بر این مسئله غلبه دارد ، با این حال ، ویژگی های کلاس اسمی با مقادیر متمایز بسیاری ممکن است از رم بیش از حد استفاده کنند.

DataLearner دارای الگوریتم های طبقه بندی ، ارتباط و خوشه بندی از بسته بندی منبع باز Weka (Waikato Environment for Analysis of دانش) ، به علاوه الگوریتم های جدیدی است که توسط واحد تحقیقات علوم داده (DSRU) در دانشگاه چارلز استورت تهیه شده است. ترکیب ، برنامه 42 الگوریتم یادگیری ماشین / داده کاوی ، از جمله RandomForest ، C4.5 (J48) و NaiveBayes را فراهم می کند.

DataLearner هیچ اطلاعاتی را جمع آوری نمی کند - برای بارگیری مجموعه داده های خود و ساخت مدل های یادگیری ماشین شما ، به فضای ذخیره دستگاه شما نیاز دارد.

* DataLearner به عنوان یک ابزار تدریس در ITC573 موضوع مهندسی داده و دانش استفاده می شود برای کارشناسی ارشد فناوری اطلاعات ، مقطع تحصیلات تکمیلی در دانشگاه چارلز استورت.

* تحقیقات DataLearner در ADMA 2019 (پانزدهمین کنفرانس بین المللی داده کاوی و برنامه های کاربردی پیشرفته) ارائه و در "یادداشت های سخنرانی در هوش مصنوعی" (Springer) منتشر شد

منابع را بدست آورید:

کد منبع مجوز GPL3 در Github: https://github.com/darrenyatesau/DataLearner

فیلم سریع در YouTube: https://youtu.be/H-7pETJZf-g

مقاله تحقیقاتی در مورد arXiv: https://arxiv.org/abs/1906.03773

مقاله کنفرانس AusDM 2018 که DataLearner را آغاز کرد: https://www.researchgate.net/publication/331126867

محققان ، اگر از این برنامه در برنامه های تحقیقاتی استفاده می کنید ، لطفاً مقالات تحقیق فوق را ذکر کنید. با تشکر.

الگوریتم های یادگیری ماشین شامل:

• Bayes - BayesNet ، NaiveBayes

• توابع - لجستیک ، SimpleLogistic ، MultiLayerPerceptron (شبکه عصبی)

• Lazy - IBk (K نزدیکترین همسایگان) ، KStar

• متا - AdaBoostM1 ، کیسه زدن ، LogitBoost ، MultiBoostAB ، کمیته تصادفی ، RandomSubSpace ، RotationForest

• قوانین - قاعده ملتحمه ، جدول تصمیم گیری ، DTNB ، JRip ، OneR ، PART ، ریدور ، ZeroR

• درختان - ADTree ، BFTree ، biryaraStump ، ForestPA ، J48 (C4.5) ، LADTree ، جنگل تصادفی ، RandomTree ، REPTree ، SimpleCART ، SPAARC ، SysFor.

• خوشه - DBSCAN ، حداکثر انتظار (EM) ، دورترین اول ، FilteredClusterer ، SimpleKMeans

• انجمن ها - آپریوری ، FilteredAociociator ، FPGrowth

سلب مسئولیت: این نرم افزار "AS-IS" تهیه شده است - در حالی که تست شده است ، هیچ ضمانتی یا ضمانتی ضمنی یا داده نمی شود. از خطر آن استفاده کنید. بارگیری شما از این نرم افزار نشان می دهد که شما با این شرایط موافق هستید.