| Filtype | APK |
|---|---|
| Version | 1.1.7 |
| Forlægger | Darren Yates |
| Udgivelses dato | 3. nov. 2019 |
| Dato tilføjet | 3. nov. 2019 |
| Os krav | Android |
| Krav | Requires Android 4.4 and up |
| Samlet antal downloads | 4 |
| Downloads pr. Uge | 1 |
| Pris | Free |
Beskrivelse
DataLearner er et brugervenligt værktøj til datamining og videnopdagelse fra dine egne kompatible ARFF- og CSV-formaterede træningsdatasæt (* se nedenfor). Den er fuldstændig selvstændig, kræver ingen ekstern lagring eller netværksforbindelse, den bygger modeller direkte på din telefon eller tablet. Dette er ikke et kursus eller en bog - det er en ægte maskinlæringsbaseret datamining-app.
>> ARFF- og CSV-understøttelse Træningsdatasæt skal være i overensstemmelse med enten Weka ARFF-formatet eller CSV (kommasepareret variabel). CSV-filer skal have følgende funktioner:
* skal indeholde en overskriftsrække
* klasseattribut er oprindeligt angivet som sidste kolonne
>> Tving klasseattribut til nominel De fleste af DataLearners algoritmer forventer nominelle/kategoriske klasseattributter, og brug af en numerisk klasseattribut vil få de fleste algoritmer til at mislykkes. Den nye 'force class attribute to nominal' overvinder dette, dog kan nominelle klasseattributter med for mange distinkte værdier bruge for meget RAM.
*** NYHEDER! DataLearner-forskning er blevet udvalgt til præsentation ved ADMA 2019 (15. International Conference on Advanced Data Mining and Applications) og vil blive offentliggjort i 'Lecture Notes in Artificial Intelligence' (Springer) ***
DataLearner byder på klassificerings-, associations- og klyngealgoritmer fra open source-pakken Weka (Waikato Environment for Knowledge Analysis) plus nye algoritmer udviklet af Data Science Research Unit (DSRU) ved Charles Sturt University. Kombineret giver appen 42 maskinlærings-/dataminealgoritmer, inklusive RandomForest, C4.5 (J48) og NaiveBayes.
DataLearner indsamler ingen information, det kræver adgang til din enheds lager blot for at indlæse dine datasæt og bygge dine maskinlæringsmodeller.
DataLearner bliver brugt som et undervisningsværktøj i ITC573 Data and Knowledge Engineering faget til Master of Information Technology post-graduate grad ved Charles Sturt University.
Få ressourcerne:
GPL3-licenseret kildekode på Github: https://github.com/darrenyatesau/DataLearner
Hurtig video på YouTube: https://youtu.be/H-7pETJZf-g
Forskningspapir om arXiv: https://arxiv.org/abs/1906.03773
AusDM 2018 konferenceoplæg, der initierede DataLearner: https://www.researchgate.net/publication/331126867
Forskere, hvis du bruger denne app i forskningsapplikationer, bedes du citere forskningsartiklerne ovenfor. Tak.
Maskinlæringsalgoritmer omfatter:
Bayes BayesNet, NaiveBayes
Funktioner Logistic, SimpleLogistic, MultiLayerPerceptron (neuralt netværk)
Lazy IBk (K Nærmeste Naboer), KStar
Meta AdaBoostM1, Bagging, LogitBoost, MultiBoostAB, Random Committee, RandomSubSpace, RotationForest
Regler konjunktiv regel, beslutningstabel, DTNB, JRip, OneR, PART, Ridor, ZeroR
Træer ADTree, BFTree, DecisionStump, ForestPA, J48 (C4.5), LADTree, Random Forest, RandomTree, REPTree, SimpleCART, SPAARC, SysFor.
Clusterers DBSCAN, Expectation Maximization (EM), Farthest-First, FilteredClusterer, SimpleKMeans
Associations Apriori, FilteredAssociator, FPGrowth
>> Hvor finder man datasætfiler? DataLearner kommer med et indbygget demo-datasæt kaldet 'rain.csv', men du finder også masser af datasæt på OpenML-webstedet - inklusive det populære 'ecoli'-sæt (https://www.openml.org). Download ARFF-versionerne til din telefon, og indlæs dem i DataLearner for at bygge modeller ud fra. Se vores nye video selvstudie - https://www.youtube.com/watch?v=81tSbclMVT8
Denne software leveres AS-IS - mens den er blevet testet, er der ingen garanti underforstået eller givet.
