DataLearner - Data Mining Software for Android

DataleApper est un outil facile à utiliser pour la découverte de données et la découverte de connaissances à partir de vos propres jeux de données compatibles ARFF et formatés de CSV. Il est entièrement autonome, ne nécessite aucune connectivité externe de stockage ou de réseau - elle construit des modèles directement sur votre téléphone ou votre tablette.
>> ARFF et CSV Support
Les jeux de données de formation doivent être soit du format CSV (variable séparé par des virgules) ou Weka arff. Les fichiers CSV doivent avoir les caractéristiques suivantes:
* Inclure une ligne d'en-tête
* L'attribut de classe est initialement défini comme étant la dernière colonne
Attribut de classe à destination nominale
la plupart des algorithmes de DataleArner s'attend à ce que des attributs de classe nominale / catégorique et à l'aide d'un attribut de classe numérique entraînera l'échec de la plupart des algorithmes. Le nouvel attribut «Attribut de la classe Force à une valeur nominale» surmonte ceci, cependant, les attributs de classe nominale avec trop de valeurs distinctes peuvent utiliser trop de RAM.
DataleArner présente des algorithmes de classification, d'association et de clustering de la source ouverte Weka (Waikato Environment pour l'analyse des connaissances) Paquet, ainsi que de nouveaux algorithmes développés par l'unité de recherche scientifique de données (DSRU) à l'Université Charles Sturt. Combiné, l'application fournit 42 algorithmes d'apprentissage / mini-apprentissage automatique / d'exploitation de données, notamment de forêt aléatoire, C4.5 (J48) et Naivebayes.
DATALEARNER ne recueille aucune information - il nécessite un accès à votre stockage de votre appareil pour charger vos jeux de données et construire vos modèles d'apprentissage machine.
* dataleArner est utilisé comme outil d'enseignement dans le
Données et connaissances ITC573 Sujet d'ingénierie
pour la maîtrise des technologies de l'information Post-Graduate University à Charles Sturt University.
La recherche sur DataleArner a été présentée à l'ADMA 2019 (15e Conférence internationale sur l'exploitation minière et des applications de données avancées) et publié dans «Notes de cours dans Intelligence artificielle '(Springer)
Obtenez les ressources:
Code source sous licence GPL3 sur Github:
Https://github.com/darrenyatesau/dalearner
Vidéo rapide sur YouTube:
https://youtu.be/h-7petjzf-g
papier de recherche sur arxiv:
Https://arxiv.org/abs/1906.03773
AUSDM 2018 Papier de conférence qui a initié DataLearner:
https: //www.researchgate.net/publication/331126867
chercheurs, si vous utilisez cette application dans des applications de recherche, veuillez citer les documents de recherche ci-dessus. Merci.
Les algorithmes d'apprentissage de la machine incluent:
• Bayes - Bayesnet, Naivebayes
• Fonctions - Logistique, simplexogistique, multicayerperceptron (réseau neuronal)
• paresseux - IBK (KBK) , Kstar
• Meta - Adaboostm1, Sacging, LogitBoost, Multiboostab, Comité aléatoire, Randomsubspace, RotationForest
• Règles - Règle conjonctive, Tableau de décision, DTNB, Jrip, Iner, Partie, Ridor, Zeror
• Arbres - Adtree, BFTREE, DECCITUPTUPP, FORESTPA, J48 (C4.5), Ladtree, Forêt aléatoire, RandomTree, Réptre, SimpleCart, Spaarc, Sysfor.
• Clusterers - DBSCAN, Attente Maximisation (EM), Première-Preflusterner , SIMPLEKMEANS
• Associations - Apriori, Filteredassociateur, FPGrrowth
Disclaimer: Ce logiciel est fourni "AS-" "- Bien qu'il a été testé, aucune garantie ou garantie n'est implicite ou donnée. Utilisez à vos risques et périls. Votre téléchargement de ce logiciel indique que vous acceptez ces termes.