DataLearner - Data Mining Soft

DataLearner is een eenvoudig te gebruiken tool voor datamining en kennisontdekking uit uw eigen compatibele ARFF- en CSV-geformatteerde trainingsdatasets. Het is volledig zelfstandig, vereist geen externe opslag of netwerkverbinding - het bouwt modellen rechtstreeks op uw telefoon of tablet.

>> ARFF en CSV-ondersteuning <<

Trainingsdatasets moeten CSV (door komma's gescheiden variabele) of Weka ARFF-indeling zijn.

CSV-bestanden moeten de volgende kenmerken hebben:

* neem een ​​koprij op

* class attribuut is aanvankelijk ingesteld als laatste kolom

>> Forceer klasse attribuut op nominale <<

De meeste algoritmen van DataLearner verwachten nominale / categorische klasse-attributen en het gebruik van een numeriek klasse-attribuut zal de meeste algoritmen doen mislukken. De nieuwe functie 'force class attribute to nomin' overwint dit, maar nominale class attributen met te veel verschillende waarden kunnen teveel RAM gebruiken.

DataLearner biedt algoritmen voor classificatie, associatie en clustering van het open-source Weka-pakket (Waikato Environment for Knowledge Analysis), plus nieuwe algoritmen ontwikkeld door de Data Science Research Unit (DSRU) aan de Charles Sturt University. Gecombineerd biedt de app 42 machine learning / data-mining algoritmen, waaronder RandomForest, C4.5 (J48) en NaiveBayes.

DataLearner verzamelt geen informatie - het vereist toegang tot uw apparaatopslag eenvoudig om uw datasets te laden en uw machine-learningmodellen te bouwen.

* DataLearner wordt gebruikt als leermiddel in het ITC573 Data- en Knowledge Engineering-onderwerp voor de postgraduaatsgraad Master in de informatietechnologie aan de Charles Sturt University.

* DataLearner-onderzoek werd gepresenteerd op ADMA 2019 (15e Internationale conferentie over geavanceerde datamining en toepassingen) en gepubliceerd in 'Lecture Notes in Artificial Intelligence' (Springer)

Verkrijg de middelen:

GPL3-licentiebroncode op Github: https://github.com/darrenyatesau/DataLearner

Snelle video op YouTube: https://youtu.be/H-7pETJZf-g

Onderzoekspaper over arXiv: https://arxiv.org/abs/1906.03773

AusDM 2018-congrespaper dat DataLearner heeft geïnitieerd: https://www.researchgate.net/publication/331126867

Onderzoekers, als u deze app in onderzoekstoepassingen gebruikt, citeer dan de onderzoekspapers hierboven. Bedankt.

Machine-learning algoritmen zijn onder meer:

• Bayes - BayesNet, NaiveBayes

• Functies - Logistiek, SimpleLogistic, MultiLayerPerceptron (neuraal netwerk)

• Lazy - IBk (K dichtstbijzijnde buren), KStar

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

• Regels - Conjunctieve regel, beslissingstabel, DTNB, JRip, OneR, PART, Ridor, ZeroR

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

• Clusterers - DBSCAN, Expectation Maximalisation (EM), Farthest-First, FilteredClusterer, SimpleKMeans

• Verenigingen - Apriori, FilteredAssociator, FPGrowth

DISCLAIMER: Deze software wordt geleverd "ZOALS HET IS" - hoewel het is getest, wordt er geen garantie gegeven of gegeven. Gebruik het op eigen risico. Als u deze software downloadt, gaat u akkoord met deze voorwaarden.