DataLearner - Data Mining Software for Android

Ang DataLearner ay isang madaling gamitin na tool para sa data mining at kaalaman pagtuklas mula sa iyong sariling katugmang Arff at CSV-formatted datasets pagsasanay. Ito ay ganap na self-contained, hindi nangangailangan ng panlabas na imbakan o koneksyon sa network - ito ay bumuo ng mga modelo nang direkta sa iyong telepono o tablet.
>> Arff at CSV support
Mga dataset ng pagsasanay ay dapat na alinman sa CSV (comma-separated variable) o weka arff format.
Mga file ng CSV ay dapat magkaroon ng mga sumusunod na tampok:
* Isama ang isang header row
* Class attribute ay unang itinakda bilang huling haligi
Force Class attribute sa nominal
Karamihan Ang mga algorithm ng DataLearner ay umaasa sa mga katangian ng nominal / kategoryang klase at ang paggamit ng isang attribute ng numerong klase ay magiging sanhi ng mga algorithm na mabibigo. Ang bagong katangian ng 'Force Class attribute sa nominal' na tampok na ito, gayunpaman, ang mga nominal na katangian ng klase na may napakaraming mga natatanging halaga ay maaaring gumamit ng masyadong maraming RAM.
Mga Tampok ng DataLearner, Association at Clustering Algorithm mula sa open-source wek (Waikato Environment para sa Pagtatasa ng Kaalaman) Package, kasama ang mga bagong algorithm na binuo ng Data Science Research Unit (DSRU) sa Charles Sturt University. Pinagsama, ang app ay nagbibigay ng 42 machine-learning / data-mining algorithm, kabilang ang randomforest, C4.5 (J48) at Naivebayes.
Kinokolekta ng DataLearner walang impormasyon - nangangailangan ito ng pag-access sa imbakan ng iyong device upang i-load ang iyong mga dataset at bumuo ng iyong mga modelo ng pag-aaral ng machine.
* DataLearner ay ginagamit bilang isang tool sa pagtuturo sa
Itc573 data at kaalaman Engineering Subject
para sa Master of Information Technology Post-Graduate Degree sa Charles Sturt University.
* Ang DataLearner Research ay iniharap sa Adma 2019 (15th International Conference sa Advanced Data Mining and Applications) at na-publish sa 'Mga Tala sa Lecture In Artificial Intelligence '(Springer)
Kumuha ng mga mapagkukunan:
GPL3-lisensyado source code sa GitHub:
QUICK VIDEO SA YOUTUBE:
https://youtu.be/h-7petjzf-g
Papel ng pananaliksik sa arxiv:
https://arxiv.org/abs/1906.03773
AUSDM 2018. Conference paper na pinasimulan DataLearner:
https: //www.researchgate.net/publication/331126867
Mga mananaliksik, kung gagamitin mo ang app na ito sa mga application ng pananaliksik, mangyaring banggitin ang mga papeles sa pananaliksik sa itaas. Salamat.
Machine-Learning Algorithms ay kinabibilangan ng:
• Bayes - Bayesnet, NaiveBayes
• Mga Pag-andar - Logistic, SimpleLogistic, multilayerperceptron (neural network)
• Lazy - IBK (K pinakamalapit na kapitbahay) , Kstar
• meta - adaboostm1, pag-uusap, logitboost, multiboostab, random na komite, randomsubspace, pag-ikot
• Mga panuntunan - conjunctive rule, desisyon table, dtnb, jrip, oner, bahagi, ridor, zeror
• mga puno - adtree, bftree, desisyonstump, forestpa, j48 (c4.5), ladtree, random forest, randomtree, reptree, simplyCart, spaarc, sysfor.
• clusterers - dbscan, pag-asa maximization (em), pinakamalayo-una, filteredcluster , SimpleKMeans
• Mga Asosasyon - Apriori, FilteredAssociator, FPGrowth
Disclaimer: Ang software na ito ay ibinibigay na "As-is" - habang ito ay nasubok, walang garantiya o garantiya ang ipinahiwatig o ibinigay. Gamitin ito sa iyong sariling peligro. Ipinapakita ng iyong pag-download ng software na ito na sumasang-ayon ka sa mga tuntuning ito.