DataLearner - Data Mining Soft

DataLearner, uyumlu ARFF ve CSV formatlı eğitim veri kümelerinizden veri madenciliği ve bilgi keşfi için kullanımı kolay bir araçtır. Tamamen kendi kendine yeten bir üründür, harici depolama veya ağ bağlantısı gerektirmez - doğrudan telefonunuza veya tabletinize modeller oluşturur.

>> ARFF ve CSV desteği <<

Eğitim veri setleri CSV (virgülle ayrılmış değişken) veya Weka ARFF biçiminde olmalıdır.

CSV dosyalarının aşağıdaki özelliklere sahip olması gerekir:

* bir başlık satırı içerir

* class özelliği başlangıçta son sütun olarak ayarlandı

>> Sınıf niteliğini nominal << değerine zorla

DataLearner'ın algoritmalarının çoğu nominal / kategorik sınıf niteliklerini bekler ve sayısal sınıf niteliğinin kullanılması çoğu algoritmanın başarısız olmasına neden olur. Yeni 'nominal sınıfın nominal niteliği' özelliği bunun üstesinden gelir, ancak çok fazla belirgin değere sahip nominal sınıf özellikleri çok fazla RAM kullanabilir.

DataLearner, açık kaynaklı Weka (Bilgi Analizi için Waikato Ortamı) paketinden sınıflandırma, birleştirme ve kümeleme algoritmalarının yanı sıra Charles Sturt Üniversitesi'nde Veri Bilimi Araştırma Birimi (DSRU) tarafından geliştirilen yeni algoritmalara sahiptir. Kombine, uygulama RandomForest, C4.5 (J48) ve NaiveBayes dahil 42 makine öğrenme / veri madenciliği algoritmaları sağlar.

DataLearner hiçbir bilgi toplamaz - veri kümelerinizi yüklemek ve makine öğrenme modellerinizi oluşturmak için cihazınızın depolama alanına erişim gerektirir.

* DataLearner, ITC573 Veri ve Bilgi Mühendisliği konusu 'nda öğretim aracı olarak kullanılıyor Charles Sturt Üniversitesi'nde Bilgi Teknolojisi Yüksek Lisans mezunu.

* DataLnerner araştırması ADMA 2019'da (15. Uluslararası Gelişmiş Veri Madenciliği ve Uygulamaları Konferansı) sunuldu ve 'Yapay Zeka Ders Notları' (Springer) 'da yayınlandı.

Kaynakları al:

Github'da GPL3 lisanslı kaynak kodu: https://github.com/darrenyatesau/DataLearner

YouTube'da hızlı video: https://youtu.be/H-7pETJZf-g

ArXiv ile ilgili araştırma makalesi: https://arxiv.org/abs/1906.03773

DataLearner'ı başlatan AusDM 2018 konferansı: https://www.researchgate.net/publication/331126867

Araştırmacılar, eğer bu uygulamayı araştırma uygulamalarında kullanırsanız, lütfen yukarıdaki araştırma raporlarını alıntılayın. Teşekkürler.

Makine öğrenmesi algoritmaları şunları içerir:

• Bayes - BayesNet, NaiveBayes

• İşlevler - Lojistik, SimpleLogistic, MultiLayerPerceptron (Yapay Sinir Ağı)

• Tembel - IBk (K En Yakın Komşular), KStar

• Meta - AdaBoostM1, Torbalama, LogitBoost, MultiBoostAB, Rastgele Komite, RandomSubSpace, RotationForest

• Kurallar - Bağlayıcı Kural, Karar Tablosu, DTNB, JRip, OneR, PART, Ridor, ZeroR

• Ağaçlar - ADTree, BFTree, DecisionStump, ForestPA, J48 (C4.5), LADTree, Rastgele Orman, RandomTree, REPTree, SimpleCART, SPAARC, SysFor.

• Kümeler - DBSCAN, Beklenti Maksimizasyonu (EM), En Uzak İlk, FilteredClusterer, SimpleKMeans

• Dernekler - Apriori, FilteredAocociator, FPGrowth

YASAL UYARI: Bu yazılım "OLDUĞU GİBİ" sağlanmıştır - test edilirken garanti ya da garanti verilmez ya da verilmez. Kullan kendi sorumluluğunuzdadır. Bu yazılımı indirmeniz, bu şartları kabul ettiğinizi gösterir.