| نوع فایل | APK |
|---|---|
| نسخه | 1.1.7 |
| ناشر | Darren Yates |
| تاریخ انتشار | ۳ نوامبر ۲۰۱۹ |
| تاریخ اضافه شده | ۳ نوامبر ۲۰۱۹ |
| الزامات سیستم عامل | Android |
| الزامات | Requires Android 4.4 and up |
| کل بارگیری ها | ۴ |
| بارگیری در هفته | ۱ |
| قیمت | Free |
شرح
DataLearner ابزاری با کاربرد آسان برای داده کاوی و کشف دانش از مجموعه داده های آموزشی سازگار با فرمت ARFF و CSV شما است (* به زیر مراجعه کنید). کاملاً مستقل است، نیازی به حافظه خارجی یا اتصال شبکه ندارد و مدلها را مستقیماً روی تلفن یا رایانه لوحی شما میسازد. این یک دوره آموزشی یا کتاب نیست - این یک برنامه داده کاوی مبتنی بر یادگیری ماشینی واقعی است.
>> پشتیبانی ARFF و CSV مجموعه داده های آموزشی باید با فرمت Weka ARFF یا CSV (متغیر جدا شده با کاما) مطابقت داشته باشد. فایل های CSV باید دارای ویژگی های زیر باشند:
* باید شامل یک ردیف سرصفحه باشد
* ویژگی کلاس در ابتدا به عنوان آخرین ستون تنظیم می شود
>> اجباری صفت کلاس به اسمی بیشتر الگوریتم های DataLearner صفات کلاس اسمی/رده ای را انتظار دارند و استفاده از ویژگی کلاس عددی باعث شکست بیشتر الگوریتم ها می شود. «ویژگی کلاس نیرو به اسمی» جدید بر این امر غلبه میکند، با این حال، ویژگیهای کلاس اسمی با مقادیر زیاد متمایز ممکن است مقدار زیادی از RAM مصرف کنند.
*** اخبار! تحقیقات DataLearner برای ارائه در ADMA 2019 (پانزدهمین کنفرانس بین المللی داده کاوی و کاربردهای پیشرفته) انتخاب شده است و در "یادداشت های سخنرانی در هوش مصنوعی" (اسپرینگر) منتشر خواهد شد ***
DataLearner دارای الگوریتم های طبقه بندی، تداعی و خوشه بندی از بسته منبع باز Weka (محیط Waikato برای تجزیه و تحلیل دانش) به علاوه الگوریتم های جدید توسعه یافته توسط واحد تحقیقات علوم داده (DSRU) در دانشگاه چارلز استورت است. در مجموع، این برنامه 42 الگوریتم یادگیری ماشینی/داده کاوی از جمله RandomForest، C4.5 (J48) و NaiveBayes را ارائه می دهد.
DataLearner هیچ اطلاعاتی را جمع آوری نمی کند و نیاز به دسترسی به فضای ذخیره سازی دستگاه شما دارد تا صرفاً مجموعه داده های شما را بارگیری کند و مدل های یادگیری ماشین شما را بسازد.
DataLearner به عنوان یک ابزار آموزشی در موضوع مهندسی داده و دانش ITC573 برای مقطع کارشناسی ارشد فناوری اطلاعات در دانشگاه چارلز استورت استفاده می شود.
منابع را دریافت کنید:
کد منبع دارای مجوز GPL3 در Github: https://github.com/darrenyatesau/DataLearner
ویدیوی سریع در یوتیوب: https://youtu.be/H-7pETJZf-g
مقاله تحقیق در مورد arXiv: https://arxiv.org/abs/1906.03773
مقاله کنفرانس AusDM 2018 که DataLearner را آغاز کرد: https://www.researchgate.net/publication/331126867
محققان، اگر از این برنامه در برنامه های کاربردی تحقیقاتی استفاده می کنید، لطفاً به مقالات تحقیقاتی بالا مراجعه کنید. با تشکر.
الگوریتم های یادگیری ماشینی عبارتند از:
Bayes BayesNet، NaiveBayes
توابع لجستیک، ساده لجستیک، پرسپترون چندلایه (شبکه عصبی)
تنبل IBk (K نزدیکترین همسایگان)، KStar
Meta AdaBoostM1، Bagging، LogitBoost، MultiBoostAB، Random Committee، RandomSubSpace، RotationForest
قوانین پیوندی، جدول تصمیم، DTNB، JRip، OneR، PART، Ridor، ZeroR
درختان ADTree، BFTree، DecisionStump، ForestPA، J48 (C4.5)، LADTree، Random Forest، RandomTree، REPTree، SimpleCART، SPARC، SysFor.
Clusterers DBSCAN، Expectation Maximization (EM)، Farthest-First، FilteredClusterer، SimpleKMeans
انجمن های Apriori، FilteredAssociator، FPGrowth
>> فایل های مجموعه داده را از کجا پیدا کنیم؟ DataLearner با یک مجموعه داده نمایشی داخلی به نام 'rain.csv' ارائه می شود، اما مجموعه داده های زیادی را نیز در وب سایت OpenML خواهید یافت - از جمله مجموعه محبوب 'ecoli' (https://www.openml.org). نسخههای ARFF را در تلفن خود دانلود کنید و برای ساخت مدلها در DataLearner بارگذاری کنید. آموزش ویدیویی جدید ما را تماشا کنید - https://www.youtube.com/watch?v=81tSbclMVT8
این نرم افزار به صورت AS-IS عرضه می شود - در حالی که تست شده است، هیچ ضمانتی ضمنی یا داده نشده است.
