DataLearner

ซอฟต์แวร์ Data mining การเรียนรู้ของเครื่องและการค้นหาความรู้สำหรับ Android

DataLearner เป็นเครื่องมือที่ใช้งานง่ายสำหรับการขุดข้อมูลและการค้นหาความรู้จากชุดข้อมูลการฝึกอบรม ARFF และ CSV ที่จัดรูปแบบของคุณเอง เป็นอุปกรณ์ในตัวที่สมบูรณ์ไม่ต้องใช้ที่เก็บข้อมูลภายนอกหรือการเชื่อมต่อเครือข่าย - สร้างรุ่นได้โดยตรงบนโทรศัพท์หรือแท็บเล็ตของคุณ

>> รองรับ ARFF และ CSV <<

ชุดข้อมูลการฝึกอบรมต้องเป็น CSV (ตัวแปรที่คั่นด้วยเครื่องหมายจุลภาค) หรือรูปแบบ Weka ARFF

ไฟล์ CSV ต้องมีคุณสมบัติดังต่อไปนี้:

* รวมแถวส่วนหัว

* class attribute ถูกตั้งค่าเริ่มต้นเป็นคอลัมน์สุดท้าย

>> บังคับให้ใช้คลาสของแอตทริบิวต์กับค่าเล็กน้อย <<

อัลกอริธึมส่วนใหญ่ของ DataLearner คาดว่าจะมีแอตทริบิวต์คลาสที่ระบุ / หมวดหมู่และการใช้แอตทริบิวต์คลาสที่เป็นตัวเลขจะทำให้อัลกอริทึมส่วนใหญ่ล้มเหลว คุณลักษณะ 'force class attribute to Nominal' ใหม่จะเอาชนะสิ่งนี้ได้อย่างไรก็ตามแอตทริบิวต์ class class ที่มีค่าแตกต่างกันมากเกินไปอาจใช้ RAM มากเกินไป

DataLearner นำเสนอการจำแนกการเชื่อมโยงและอัลกอริธึมการจัดกลุ่มจากแพ็คเกจโอเพ่นซอร์ส Weka (Waikato Environment for Knowledge Analysis) รวมถึงอัลกอริธึมใหม่ที่พัฒนาโดย Data Science Research Unit (DSRU) ที่ Charles Sturt University เมื่อรวมกันแล้วแอพนี้มีอัลกอริทึมการเรียนรู้ด้วยเครื่องจักร / การขุดข้อมูล 42 แบบรวมถึง RandomForest, C4.5 (J48) และ NaiveBayes

DataLearner รวบรวมข้อมูลไม่ได้ - มันต้องการการเข้าถึงที่เก็บข้อมูลอุปกรณ์ของคุณเพียงแค่โหลดชุดข้อมูลของคุณและสร้างแบบจำลองการเรียนรู้ของเครื่อง

* DataLearner ถูกใช้เป็นเครื่องมือการเรียนการสอนใน ITC573 เรื่องข้อมูลและวิศวกรรมความรู้ สำหรับ ปริญญาโทเทคโนโลยีสารสนเทศระดับบัณฑิตศึกษาที่ Charles Sturt University

* การวิจัย DataLearner นำเสนอที่ ADMA 2019 (การประชุมนานาชาติครั้งที่ 15 เรื่องการขุดข้อมูลและการใช้งานขั้นสูง) และตีพิมพ์ใน 'เอกสารบรรยายในปัญญาประดิษฐ์' (Springer)

รับทรัพยากร:

ซอร์สโค้ดที่ได้รับอนุญาตจาก GPL3 ใน Github: https://github.com/darrenyatesau/DataLearner

วิดีโอด่วนบน YouTube: https://youtu.be/H-7pETJZf-g

รายงานการวิจัยเกี่ยวกับ arXiv: https://arxiv.org/abs/1906.03773

เอกสารการประชุม AusDM 2018 ที่เริ่มต้น DataLearner: https://www.researchgate.net/publication/331126867

นักวิจัยถ้าคุณใช้แอพนี้ในแอปพลิเคชันการวิจัยโปรดอ้างอิงเอกสารการวิจัยข้างต้น ขอบคุณ

อัลกอริธึมการเรียนรู้ด้วยเครื่องประกอบด้วย:

• Bayes - BayesNet, NaiveBayes

•ฟังก์ชั่น - Logistic, SimpleLogistic, MultiLayerPerceptron (Neural Network)

• Lazy - IBk (K เพื่อนบ้านที่ใกล้ที่สุด), KStar

• Meta - AdaBoostM1, การบรรจุ, LogitBoost, MultiBoostAB, คณะกรรมการสุ่ม, RandomSubSpace, RotationForest

•กฎ - กฎร่วม, ตารางการตัดสินใจ, DTNB, JRip, OneR, ส่วน, Ridor, ZeroR

•ต้นไม้ - ADTree, BFTree, DecisionStump, ForestPA, J48 (C4.5), LADTree, ป่าสุ่ม, RandomTree, REPTree, SimpleCART, SPAARC, SysFor

• Clusterers - DBSCAN, การเพิ่มความคาดหวัง (EM), ไกลที่สุด - ครั้งแรก, FilteredClusterer, SimpleKMeans

•สมาคม - Apriori, FilteredAssociator, FPGrowth

การปฏิเสธความรับผิด: ซอฟต์แวร์นี้จัดทำ "ตามสภาพ" - ในขณะที่ผ่านการทดสอบจะไม่มีการรับประกันหรือรับประกันใด ๆ ใช้ความเสี่ยงของคุณเอง การดาวน์โหลดซอฟต์แวร์นี้ของคุณแสดงว่าคุณยอมรับข้อกำหนดเหล่านี้