DataLearner - Data Mining Software for Android cho máy tính PC Windows

DataLearner là một công cụ dễ sử dụng để khai thác dữ liệu và khám phá kiến ​​thức từ các bộ dữ liệu đào tạo được định dạng ARFF và CSV tương thích của riêng bạn. Nó hoàn toàn khép kín, không yêu cầu lưu trữ ngoài hoặc kết nối mạng - nó xây dựng các mô hình trực tiếp trên điện thoại hoặc máy tính bảng của bạn.

>> Hỗ trợ ARFF và CSV <<
Các bộ dữ liệu đào tạo phải là định dạng CSV (biến được phân tách bằng dấu phẩy) hoặc định dạng ARFF của Weka.
Tệp CSV phải có các tính năng sau:
* bao gồm một hàng tiêu đề
* thuộc tính lớp ban đầu được đặt làm cột cuối cùng

>> Buộc thuộc tính lớp thành danh nghĩa <<
Hầu hết các thuật toán của DataLearner đều mong đợi các thuộc tính lớp danh nghĩa / phân loại và sử dụng thuộc tính lớp số sẽ khiến hầu hết các thuật toán thất bại. Tính năng 'lực lượng lớp mới đối với danh nghĩa' mới khắc phục được điều này, tuy nhiên, các thuộc tính lớp danh nghĩa có quá nhiều giá trị riêng biệt có thể sử dụng quá nhiều RAM.

DataLearner có các thuật toán phân loại, liên kết và phân cụm từ gói Weka (Waikato Môi trường để phân tích tri thức), cùng với các thuật toán mới được phát triển bởi Đơn vị nghiên cứu khoa học dữ liệu (DSRU) tại Đại học Charles Sturt. Kết hợp lại, ứng dụng cung cấp 42 thuật toán học máy / khai thác dữ liệu, bao gồm RandomForest, C4.5 (J48) và NaiveBayes.

DataLearner không thu thập thông tin - nó yêu cầu quyền truy cập vào bộ lưu trữ thiết bị của bạn chỉ để tải bộ dữ liệu của bạn và xây dựng các mô hình học máy của bạn.

* DataLearner đang được sử dụng như một công cụ giảng dạy trong môn học Kỹ thuật tri thức và dữ liệu ITC573 cho bằng thạc sĩ công nghệ thông tin sau đại học tại Đại học Charles Sturt.
* Nghiên cứu của DataLearner đã được trình bày tại ADMA 2019 (Hội nghị quốc tế lần thứ 15 về Khai thác và ứng dụng dữ liệu nâng cao) và được xuất bản trong 'Ghi chú bài giảng trong trí tuệ nhân tạo' (Springer)

Lấy tài nguyên:
Mã nguồn được cấp phép GPL3 trên Github: https://github.com/darrenyatesau/DataLearner
Video nhanh trên YouTube: https://youtu.be/H-7pETJZf-g
Tài liệu nghiên cứu về arXiv: https://arxiv.org/abs/1906.03773
Tài liệu hội thảo của AusDM 2018 đã khởi xướng DataLearner: https://www.researchgate.net/publication/331126867

Các nhà nghiên cứu, nếu bạn sử dụng ứng dụng này trong các ứng dụng nghiên cứu, vui lòng trích dẫn các tài liệu nghiên cứu ở trên. Cảm ơn.

Các thuật toán học máy bao gồm:
• Bayes - BayesNet, NaiveBayes
• Chức năng - Logistic, SimpleLogistic, MultiLayerPerceptron (Mạng thần kinh)
• Lười biếng - IBk (Hàng xóm gần nhất), Kstar
• Meta - AdaBoostM1, Đóng bao, LogitBoost, MultiBoostAB, Ủy ban ngẫu nhiên, RandomSubSpace, RotationForest
• Quy tắc - Quy tắc kết hợp, Bảng quyết định, DTNB, JRip, OneR, PHẦN, Ridor, ZeroR
• Cây xanh - ADTree, BFTree, ReasonStump, ForestPA, J48 (C4.5), LADTree, Random Forest, RandomTree, REPTree, SimpleCART, SPAARC, SysFor.
• Clusterers - DBSCAN, Tối đa hóa kỳ vọng (EM), xa nhất trước tiên, FilteredClusterer, SimpleKMeans
• Hiệp hội - Apriori, FilteredAssociator, FPGrowth

TUYÊN BỐ TỪ CHỐI: Phần mềm này được cung cấp "AS-IS" - trong khi nó đã được thử nghiệm, không có bảo hành hay bảo đảm nào được ngụ ý hay đưa ra. Sử dụng nó có nguy cơ của riêng bạn. Việc bạn tải xuống phần mềm này cho thấy bạn đồng ý với các điều khoản này.

v1.1.7
* Enabled View Details/Confusion Matrix button after no-CV model build only.
v1.1.6
* Enabled all trees in Random Forest to appear in Confusion Matrix/Model output.
* Added copy-paste to clipboard of Confusion Matrix/Model output.
v1.1.5
* updated error message to suggest using 'Force class attribute to nominal' button on Load screen.
v1.1.4
*fixed introduced bug preventing some statistics from appearing with numeric-class datasets.