| ប្រភេទឯកសារ | APK |
|---|---|
| កំណែ | 1.1.7 |
| អ្នកបោះពុម្ពផ្សាយ | Darren Yates |
| កាលបរិច្ឆេទចេញផ្សាយ | 3 វិច្ឆិកា 2019 |
| កាលបរិច្ឆេទដែលបានបន្ថែម | 3 វិច្ឆិកា 2019 |
| តម្រូវការ Os | Android |
| តម្រូវការ | Requires Android 4.4 and up |
| ការទាញយកសរុប | 4 |
| ការទាញយកក្នុងមួយសប្តាហ៍ | 1 |
| តម្លៃ | Free |
ការពិពណ៌នា
DataLearner គឺជាឧបករណ៍ងាយស្រួលប្រើសម្រាប់ការជីកយករ៉ែទិន្នន័យ និងការស្វែងរកចំណេះដឹងពីសំណុំទិន្នន័យបណ្តុះបណ្តាលដែលមានទម្រង់ ARFF និង CSV ដែលឆបគ្នារបស់អ្នកផ្ទាល់ (* សូមមើលខាងក្រោម)។ វាមានផ្ទុកដោយខ្លួនឯងយ៉ាងពេញលេញ មិនត្រូវការការផ្ទុកខាងក្រៅ ឬការតភ្ជាប់បណ្តាញ វាបង្កើតម៉ូដែលដោយផ្ទាល់នៅលើទូរសព្ទ ឬថេប្លេតរបស់អ្នក។ នេះមិនមែនជាវគ្គបណ្តុះបណ្តាល ឬសៀវភៅទេ - វាគឺជាកម្មវិធីរុករកទិន្នន័យផ្អែកលើម៉ាស៊ីនពិតប្រាកដ។
>> ការគាំទ្រ ARFF និង CSV សំណុំទិន្នន័យបណ្តុះបណ្តាលត្រូវតែអនុលោមតាមទម្រង់ Weka ARFF ឬ CSV (អថេរដែលបំបែកដោយសញ្ញាក្បៀស)។ ឯកសារ CSV ត្រូវតែមានមុខងារដូចខាងក្រោម៖
* ត្រូវតែរួមបញ្ចូលជួរដេកបឋមកថា
* គុណលក្ខណៈថ្នាក់ត្រូវបានកំណត់ដំបូងជាជួរចុងក្រោយ
>> Force class attribute ទៅ nominal ភាគច្រើននៃ algorithms របស់ DataLearner រំពឹងថា nominal/categorical class attributes ហើយការប្រើ a numeric class attribute នឹងធ្វើអោយ algorithms ភាគច្រើនបរាជ័យ។ ថ្មី 'គុណលក្ខណៈថ្នាក់បង្ខំទៅជានាមករណ៍' យកឈ្នះលើនេះ ទោះជាយ៉ាងណាក៏ដោយ គុណលក្ខណៈថ្នាក់នាមដែលមានតម្លៃខុសគ្នាច្រើនពេកអាចប្រើ RAM ច្រើនពេក។
***ព័ត៌មានថ្មី! ការស្រាវជ្រាវ DataLearner ត្រូវបានជ្រើសរើសសម្រាប់ការធ្វើបទបង្ហាញនៅ ADMA 2019 (សន្និសិទអន្តរជាតិលើកទី 15 ស្តីពីការជីកយករ៉ែ និងកម្មវិធីកម្រិតខ្ពស់) ហើយនឹងត្រូវបានបោះពុម្ពផ្សាយនៅក្នុង 'កំណត់ចំណាំមេរៀនក្នុងភាពវៃឆ្លាតសិប្បនិម្មិត' (Springer) ***
DataLearner មានលក្ខណៈពិសេសក្នុងការចាត់ថ្នាក់ សមាគម និងក្បួនដោះស្រាយចង្កោមពីកញ្ចប់ប្រភពបើកចំហ Weka (Waikato Environment for Knowledge Analysis) បូកនឹងក្បួនដោះស្រាយថ្មីដែលត្រូវបានបង្កើតឡើងដោយអង្គភាពស្រាវជ្រាវវិទ្យាសាស្ត្រទិន្នន័យ (DSRU) នៅសាកលវិទ្យាល័យ Charles Sturt ។ រួមបញ្ចូលគ្នា កម្មវិធីនេះផ្តល់នូវ 42 machine-learning/data-mining algorithms រួមទាំង RandomForest, C4.5 (J48) និង NaiveBayes។
DataLearner មិនប្រមូលព័ត៌មានដែលវាតម្រូវឱ្យចូលប្រើឧបករណ៍ផ្ទុកទិន្នន័យរបស់អ្នកដោយសាមញ្ញដើម្បីផ្ទុកសំណុំទិន្នន័យរបស់អ្នក និងបង្កើតគំរូការរៀនដោយម៉ាស៊ីនរបស់អ្នក។
DataLearner កំពុងត្រូវបានប្រើប្រាស់ជាឧបករណ៍បង្រៀននៅក្នុងមុខវិជ្ជាវិស្វកម្មទិន្នន័យ និងចំណេះដឹង ITC573 សម្រាប់ថ្នាក់អនុបណ្ឌិតផ្នែកព័ត៌មានវិទ្យាក្រោយឧត្តមសិក្សានៅសាកលវិទ្យាល័យ Charles Sturt ។
ទទួលបានធនធាន៖
កូដប្រភពដែលមានអាជ្ញាប័ណ្ណ GPL3 នៅលើ Github៖ https://github.com/darrenyatesau/DataLearner
វីដេអូរហ័សនៅលើ YouTube៖ https://youtu.be/H-7pETJZf-g
ឯកសារស្រាវជ្រាវអំពី arXiv: https://arxiv.org/abs/1906.03773
ឯកសារសន្និសីទ AusDM 2018 ដែលផ្តួចផ្តើម DataLearner៖ https://www.researchgate.net/publication/331126867
អ្នកស្រាវជ្រាវ ប្រសិនបើអ្នកប្រើកម្មវិធីនេះក្នុងកម្មវិធីស្រាវជ្រាវ សូមដកស្រង់ឯកសារស្រាវជ្រាវខាងលើ។ សូមអរគុណ។
ក្បួនដោះស្រាយការរៀនម៉ាស៊ីនរួមមាន:
Bayes BayesNet, NaiveBayes
មុខងារ Logistic, SimpleLogistic, MultiLayerPerceptron (បណ្តាញសរសៃប្រសាទ)
Lazy IBk (K អ្នកជិតខាងដែលនៅជិតបំផុត), KStar
មេតា AdaBoostM1, កាបូប, LogitBoost, MultiBoostAB, គណៈកម្មាធិការចៃដន្យ, RandomSubSpace, RotationForest
ច្បាប់ភ្ជាប់គ្នា, តារាងសេចក្តីសម្រេច, DTNB, JRip, OneR, PART, Ridor, ZeroR
ដើមឈើ ADTree, BFTree, DecisionStump, ForestPA, J48 (C4.5), LADTree, ព្រៃចៃដន្យ, RandomTree, REPTree, SimpleCART, SPAARC, SysFor ។
Clusterers DBSCAN, Expectation Maximization (EM), Farthest-First, FilteredClusterer, SimpleKMeans
សមាគម Apriori, FilteredAssociator, FPGrowth
>> កន្លែងដែលត្រូវរកឯកសារសំណុំទិន្នន័យ? DataLearner ភ្ជាប់មកជាមួយសំណុំទិន្នន័យសាកល្បងដែលភ្ជាប់មកជាមួយហៅថា 'rain.csv' ប៉ុន្តែអ្នកក៏នឹងរកឃើញសំណុំទិន្នន័យជាច្រើននៅលើគេហទំព័រ OpenML ផងដែរ - រួមទាំងសំណុំ 'ecoli' ដ៏ពេញនិយម (https://www.openml.org) ។ ទាញយកកំណែ ARFF ទៅក្នុងទូរស័ព្ទរបស់អ្នក ហើយផ្ទុកវាទៅក្នុង DataLearner ដើម្បីបង្កើតគំរូពី។ មើលវីដេអូបង្រៀនថ្មីរបស់យើង - https://www.youtube.com/watch?v=81tSbclMVT8
កម្មវិធីនេះត្រូវបានផ្គត់ផ្គង់ AS-IS - ខណៈពេលដែលវាត្រូវបានសាកល្បង មិនមានការធានាណាមួយត្រូវបានបញ្ជាក់ ឬផ្តល់ឱ្យនោះទេ។
