DataLearner - Data Mining Soft

DataLearner adalah alat yang mudah digunakan untuk penambangan data dan penemuan pengetahuan dari kumpulan data latihan ARFF dan CSV serasi yang bersesuaian. Ia serba lengkap, tidak memerlukan penyimpanan luaran atau sambungan rangkaian - ia membina model secara langsung pada telefon atau tablet anda.

>> Sokongan ARFF dan CSV <<

Data latihan mestilah sama ada CSV (pembolehubah dipisahkan koma) atau format Weka ARFF.

Fail CSV mesti mempunyai ciri-ciri berikut:

* termasuk baris pengepala

* Atribut kelas pada mulanya ditetapkan sebagai lajur terakhir

>> Angkatan atribut kelas untuk nominal <<

Kebanyakan algoritma DataLearner mengharapkan atribut kelas nominal / kategoris dan menggunakan atribut kelas numerik akan menyebabkan kebanyakan algoritma gagal. Ciri 'atribut kelas daya ke nominal' yang baru mengatasi ini, bagaimanapun, sifat kelas nominal dengan terlalu banyak nilai yang berbeza boleh menggunakan terlalu banyak RAM.

DataLearner mempunyai klasifikasi klasifikasi, persatuan dan clustering dari pakej sumber terbuka Weka (Waikato Environment for Knowledge Analysis), ditambah dengan algoritma baru yang dibangunkan oleh Unit Penyelidikan Sains Data (DSRU) di Universiti Charles Sturt. Digabungkan, aplikasinya menyediakan 42 algoritma perlombongan-pembelajaran / data, termasuk RandomForest, C4.5 (J48) dan NaiveBayes.

DataLearner tidak mengumpul maklumat - ia memerlukan akses ke storan peranti anda hanya untuk memuatkan dataset anda dan membina model pembelajaran mesin anda.

* DataLearner digunakan sebagai alat pengajaran dalam subjek subjek Kejuruteraan Data dan Pengetahuan ITC573 untuk Sarjana Teknologi Maklumat ijazah lepasan ijazah di Charles Sturt University.

* Penyelidikan DataLearner telah dibentangkan di ADMA 2019 (Persidangan Antarabangsa ke-15 mengenai Perlombongan Data Maju dan Aplikasi) dan diterbitkan dalam 'Nota Kuliah dalam Artificial Intelligence' (Springer)

Dapatkan sumber:

Kod sumber berlesen GPL3 di Github: https://github.com/darrenyatesau/DataLearner

Video pantas di YouTube: https://youtu.be/H-7pETJZf-g

Kertas penyelidikan di arXiv: https://arxiv.org/abs/1906.03773

Kertas persidangan AusDM 2018 yang memulakan DataLearner: https://www.researchgate.net/publication/331126867

Penyelidik, jika anda menggunakan aplikasi ini dalam aplikasi penyelidikan, sila nyatakan kertas penyelidikan di atas. Terima kasih.

Algoritma mesin pembelajaran termasuk:

• Bayes - BayesNet, NaiveBayes

• Fungsi - Logistik, SimpleLogistic, MultiLayerPerceptron (Neural Network)

• Lazy - IBk (Kapit terdekat), KStar

• Meta - AdaBoostM1, Bagging, LogitBoost, MultiBoostAB, Jawatankuasa Rawak, RandomSubSpace, RotationForest

• Kaedah - Kaedah Konjunktif, Jadual Keputusan, DTNB, JRip, OneR, BAHAGIAN, Ridor, ZeroR

• Pokok - ADTree, BFTree, DecisionStump, ForestPA, J48 (C4.5), LADTree, Hutan Rawak, RandomTree, REPTree, SimpleCART, SPAARC, SysFor.

• Clusterers - DBSCAN, Maximization Harapan (EM), Farthest-First, FilteredClusterer, SimpleKMeans

• Persatuan - Apriori, FilteredAssociator, FPGrowth

PENAFIAN: Perisian ini dibekalkan "AS-IS" - sementara ia telah diuji, tiada jaminan atau jaminan tersirat atau diberikan. Gunakannya dengan risiko anda sendiri. Anda memuat turun perisian ini menunjukkan anda bersetuju dengan istilah ini.