DataLearner - Data Mining Soft

DataLearner est un outil facile à utiliser pour l'exploration de données et la découverte de connaissances à partir de vos propres ensembles de données de formation au format ARFF et CSV compatibles. Il est entièrement autonome, ne nécessite aucun stockage externe ni connectivité réseau - il construit des modèles directement sur votre téléphone ou votre tablette.

>> Support ARFF et CSV <<

Les jeux de données de formation doivent être au format CSV (variable séparée par des virgules) ou Weka ARFF.

Les fichiers CSV doivent avoir les fonctionnalités suivantes:

* inclure une ligne d'en-tête

* l'attribut de classe est initialement défini comme dernière colonne

>> Force l'attribut de classe au nominal <<

La plupart des algorithmes de DataLearner attendent des attributs de classe nominaux / catégoriels et l'utilisation d'un attribut de classe numérique entraînera l'échec de la plupart des algorithmes. La nouvelle fonctionnalité «attribuer la classe de force à la valeur nominale» permet de surmonter cela, cependant, les attributs de classe nominale avec trop de valeurs distinctes peuvent utiliser trop de RAM.

DataLearner propose des algorithmes de classification, d'association et de clustering du package open source Weka (Waikato Environment for Knowledge Analysis), ainsi que de nouveaux algorithmes développés par la Data Science Research Unit (DSRU) de l'Université Charles Sturt. Combinée, l'application fournit 42 algorithmes d'apprentissage automatique / d'exploration de données, y compris RandomForest, C4.5 (J48) et NaiveBayes.

DataLearner ne collecte aucune information - il nécessite un accès au stockage de votre appareil simplement pour charger vos ensembles de données et créer vos modèles d'apprentissage automatique.

* DataLearner est utilisé comme outil pédagogique dans le ITC573 sujet d'ingénierie des données et des connaissances pour le diplôme de troisième cycle en technologie de l'information de l'Université Charles Sturt.

* La recherche DataLearner a été présentée à l'ADMA 2019 (15e conférence internationale sur l'exploration et les applications de données avancées) et publiée dans `` Lecture Notes in Artificial Intelligence '' (Springer)

Obtenez les ressources:

Code source sous licence GPL3 sur Github: https://github.com/darrenyatesau/DataLearner

Vidéo rapide sur YouTube: https://youtu.be/H-7pETJZf-g

Document de recherche sur arXiv: https://arxiv.org/abs/1906.03773

Document de conférence AusDM 2018 qui a lancé DataLearner: https://www.researchgate.net/publication/331126867

Chercheurs, si vous utilisez cette application dans des applications de recherche, veuillez citer les articles de recherche ci-dessus. Merci.

Les algorithmes d'apprentissage automatique comprennent:

• Bayes - BayesNet, NaiveBayes

• Fonctions - Logistique, SimpleLogistic, MultiLayerPerceptron (Neural Network)

• Paresseux - IBk (K voisins les plus proches), KStar

• Meta - AdaBoostM1, Bagging, LogitBoost, MultiBoostAB, Random Committee, RandomSubSpace, RotationForest

• Règles - Règle conjonctive, Table de décision, DTNB, JRip, OneR, PART, Ridor, ZeroR

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

• Clusters - DBSCAN, Expectation Maximization (EM), Farthest-First, FilteredClusterer, SimpleKMeans

• Associations - Apriori, FilteredAssociator, FPGrowth

AVIS DE NON-RESPONSABILITÉ: Ce logiciel est fourni «TEL QUEL» - pendant qu'il a été testé, aucune garantie ou garantie n'est implicite ou donnée. Utilisez à vos risques et périls. Le téléchargement de ce logiciel montre que vous acceptez ces conditions.