| ประเภทไฟล์ | APK |
|---|---|
| เวอร์ชัน | 1.1.7 |
| สำนักพิมพ์ | Darren Yates |
| วันที่วางจำหน่าย | 3 พ.ย. 2019 |
| วันที่เพิ่ม | 3 พ.ย. 2019 |
| ข้อกำหนดระบบปฏิบัติการ | Android |
| ข้อกำหนด | Requires Android 4.4 and up |
| ดาวน์โหลดทั้งหมด | 4 |
| ดาวน์โหลดต่อสัปดาห์ | 1 |
| ราคา | Free |
คำอธิบาย
DataLearner เป็นเครื่องมือที่ใช้งานง่ายสำหรับการขุดข้อมูลและการค้นพบความรู้จากชุดข้อมูลการฝึกอบรมในรูปแบบ ARFF และ CSV ที่เข้ากันได้ของคุณ (* ดูด้านล่าง) มีครบในตัวเอง ไม่ต้องใช้ที่เก็บข้อมูลภายนอกหรือการเชื่อมต่อเครือข่าย มันสร้างแบบจำลองบนโทรศัพท์หรือแท็บเล็ตของคุณโดยตรง นี่ไม่ใช่หลักสูตรฝึกอบรมหรือหนังสือ แต่เป็นแอปการทำเหมืองข้อมูลที่ใช้การเรียนรู้ด้วยเครื่องของแท้
>> รองรับ ARFF และ CSV ชุดข้อมูลการฝึกอบรมต้องสอดคล้องกับรูปแบบ Weka ARFF หรือ CSV (ตัวแปรที่คั่นด้วยเครื่องหมายจุลภาค) ไฟล์ CSV ต้องมีคุณสมบัติดังต่อไปนี้:
* ต้องมีแถวส่วนหัว
* แอตทริบิวต์คลาสเริ่มต้นเป็นคอลัมน์สุดท้าย
>> บังคับให้แอตทริบิวต์ของคลาสเป็นค่าเล็กน้อย อัลกอริธึมของ DataLearner ส่วนใหญ่คาดหวังแอตทริบิวต์ของคลาสที่ระบุ/หมวดหมู่ และการใช้แอตทริบิวต์คลาสที่เป็นตัวเลขจะทำให้อัลกอริทึมส่วนใหญ่ล้มเหลว 'force class attribute to nominal' ใหม่จะเอาชนะสิ่งนี้ อย่างไรก็ตาม แอตทริบิวต์ของคลาสที่ระบุที่มีค่าที่แตกต่างกันมากเกินไปอาจใช้ RAM มากเกินไป
*** ข่าว! งานวิจัยของ DataLearner ได้รับเลือกให้นำเสนอในงาน ADMA 2019 (การประชุมนานาชาติเรื่องการขุดและการประยุกต์ใช้ข้อมูลขั้นสูงครั้งที่ 15) และจะเผยแพร่ใน 'Lecture Notes in Artificial Intelligence' (Springer) ***
DataLearner นำเสนออัลกอริธึมการจำแนกประเภท การเชื่อมโยง และการจัดกลุ่มจากแพ็คเกจโอเพ่นซอร์ส Weka (Waikato Environment for Knowledge Analysis) รวมถึงอัลกอริธึมใหม่ที่พัฒนาโดย Data Science Research Unit (DSRU) ที่ Charles Sturt University เมื่อรวมกันแล้ว แอปนี้จะมีอัลกอริธึมการเรียนรู้ด้วยเครื่อง/การทำเหมืองข้อมูล 42 แบบ รวมถึง RandomForest, C4.5 (J48) และ NaiveBayes
DataLearner ไม่เก็บรวบรวมข้อมูลที่จำเป็นต้องเข้าถึงที่เก็บข้อมูลอุปกรณ์ของคุณเพียงเพื่อโหลดชุดข้อมูลของคุณและสร้างโมเดลการเรียนรู้ด้วยเครื่องของคุณ
DataLearner ถูกใช้เป็นเครื่องมือในการสอนในหัวข้อ ITC573 Data and Knowledge Engineering สำหรับปริญญาโทด้านเทคโนโลยีสารสนเทศระดับบัณฑิตศึกษาที่ Charles Sturt University
รับทรัพยากร:
ซอร์สโค้ดที่ได้รับอนุญาต GPL3 บน Github: https://github.com/darrenyatesau/DataLearner
วิดีโอด่วนบน YouTube: https://youtu.be/H-7pETJZf-g
งานวิจัยเกี่ยวกับ arXiv: https://arxiv.org/abs/1906.03773
เอกสารการประชุม AusDM 2018 ที่ริเริ่ม DataLearner: https://www.researchgate.net/publication/331126867
นักวิจัย หากคุณใช้แอปนี้ในแอปพลิเคชันการวิจัย โปรดอ้างอิงเอกสารการวิจัยด้านบน ขอบคุณ.
อัลกอริธึมการเรียนรู้ด้วยเครื่องประกอบด้วย:
Bayes BayesNet, ไร้เดียงสาBayes
ฟังก์ชัน Logistic, SimpleLogistic, MultiLayerPerceptron (Neural Network)
Lazy IBk (K Nearest Neighbours), KStar
Meta AdaBoostM1, Bagging, LogitBoost, MultiBoostAB, คณะกรรมการสุ่ม, RandomSubSpace, RotationForest
กฎ Conjunctive Rule, Decision Table, DTNB, JRip, OneR, PART, Ridor, ZeroR
ต้นไม้ ADTree, BFTree, DecisionStump, ForestPA, J48 (C4.5), LADTree, Random Forest, RandomTree, REPTree, SimpleCART, SPAARC, SysFor
Clusterers DBSCAN, Expectation Maximization (EM), Farthest-First, FilteredClusterer, SimpleKMeans
สมาคม Apriori, FilteredAssociator, FPGrowth
>> จะหาไฟล์ชุดข้อมูลได้ที่ไหน? DataLearner มาพร้อมกับชุดข้อมูลสาธิตในตัวที่เรียกว่า 'rain.csv' แต่คุณจะพบชุดข้อมูลมากมายที่เว็บไซต์ OpenML รวมถึงชุด 'ecoli' ยอดนิยม (https://www.openml.org) ดาวน์โหลดเวอร์ชัน ARFF ลงในโทรศัพท์ของคุณและโหลดลงใน DataLearner เพื่อสร้างแบบจำลอง ชมวิดีโอการสอนใหม่ของเรา - https://www.youtube.com/watch?v=81tSbclMVT8
ซอฟต์แวร์นี้จัดหาให้ตามสภาพ - ในขณะที่ได้รับการทดสอบ จะไม่มีการรับประกันโดยนัยหรือให้ไว้
