DataLearner - Data Mining Soft

DataLearner to łatwe w użyciu narzędzie do eksploracji danych i odkrywania wiedzy z własnych kompatybilnych zestawów danych szkoleniowych w formacie ARFF i CSV. Jest w pełni samowystarczalny, nie wymaga zewnętrznej pamięci ani łączności sieciowej - buduje modele bezpośrednio na telefonie lub tablecie.

>> Wsparcie ARFF i CSV <<

Zestawy danych szkoleniowych muszą mieć format CSV (zmienna oddzielona przecinkami) lub format ARFF Weka.

Pliki CSV muszą mieć następujące funkcje:

* zawierają wiersz nagłówka

* atrybut klasy jest początkowo ustawiony jako ostatnia kolumna

>> Wymuś atrybut klasy na nominalny <<

Większość algorytmów DataLearner oczekuje atrybutów klasy nominalnej / kategorialnej, a użycie atrybutu klasy liczbowej spowoduje awarię większości algorytmów. Nowa funkcja „atrybutu klasy siły do ​​wartości nominalnej” rozwiązuje ten problem, jednak atrybuty klasy nominalnej o zbyt wielu różnych wartościach mogą zużywać zbyt dużo pamięci RAM.

DataLearner oferuje algorytmy klasyfikacji, asocjacji i klastrowania z pakietu Open Source Weka (Waikato Environment for Knowledge Analysis), a także nowe algorytmy opracowane przez Data Science Research Unit (DSRU) na Charles Sturt University. Łącznie aplikacja zapewnia 42 algorytmy uczenia maszynowego / eksploracji danych, w tym RandomForest, C4.5 (J48) i NaiveBayes.

DataLearner nie zbiera żadnych informacji - wymaga dostępu do pamięci urządzenia, aby załadować zestawy danych i zbudować modele uczenia maszynowego.

* DataLearner jest wykorzystywany jako narzędzie dydaktyczne w ITC573 Temat inżynierii danych i wiedzy dla magister informatyki podyplomowej na Uniwersytecie Charlesa Sturt.

* Badanie DataLearner zostało zaprezentowane na ADMA 2019 (15. Międzynarodowa Konferencja na temat Zaawansowanego Eksploracji Danych i Zastosowań) i opublikowane w „Notach wykładowych dotyczących sztucznej inteligencji” (Springer)

Zdobądź zasoby:

Kod źródłowy na licencji GPL3 na Github: https://github.com/darrenyatesau/DataLearner

Szybki film na YouTube: https://youtu.be/H-7pETJZf-g

Artykuł badawczy na temat arXiv: https://arxiv.org/abs/1906.03773

Dokument konferencyjny AusDM 2018, który zainicjował DataLearner: https://www.researchgate.net/publication/331126867

Badacze, jeśli korzystacie z tej aplikacji w aplikacjach badawczych, prosimy cytować powyższe dokumenty badawcze. Dzięki.

Algorytmy uczenia maszynowego obejmują:

• Bayes - BayesNet, NaiveBayes

• Funkcje - logistyczne, SimpleLogistic, MultiLayerPerceptron (sieć neuronowa)

• Leniwy - IBk (K Najbliżsi sąsiedzi), KStar

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

• Reguły - Reguła łączna, tablica decyzyjna, DTNB, JRip, OneR, PART, Ridor, ZeroR

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

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

• Powiązania - Apriori, FilteredAssociator, FPGrowth

ZASTRZEŻENIE: To oprogramowanie jest dostarczane „tak jak jest” - podczas jego testowania nie udziela się żadnej gwarancji ani rękojmi. Używaj go na własne ryzyko. Pobranie tego oprogramowania oznacza, że ​​zgadzasz się na te warunki.