DataLearner - Data Mining Software for Android APK

ဖော်ပြချက်

DataLearner သည် သင့်ကိုယ်ပိုင် ARFF နှင့် CSV ဖော်မတ်လုပ်ထားသည့် လေ့ကျင့်ရေးဒေတာအတွဲများမှ ဒေတာတူးဖော်ခြင်းနှင့် အသိပညာရှာဖွေတွေ့ရှိမှုအတွက် လွယ်ကူသောသုံးကိရိယာတစ်ခု (* အောက်တွင်ကြည့်ပါ)။ ၎င်း၏ အပြည့်အ၀ ကိုယ်တိုင်ပါရှိသော၊ ပြင်ပသိုလှောင်မှု သို့မဟုတ် ကွန်ရက်ချိတ်ဆက်မှုမလိုအပ်ဘဲ ၎င်းသည် သင့်ဖုန်း သို့မဟုတ် တက်ဘလက်တွင် မော်ဒယ်များကို တိုက်ရိုက်တည်ဆောက်သည်။ ၎င်းသည် လေ့ကျင့်ရေးသင်တန်း သို့မဟုတ် စာအုပ်မဟုတ်ပါ - ၎င်းသည် စစ်မှန်သော စက်ဖြင့်သင်ယူခြင်း-ဒေတာတူးဖော်ခြင်းအက်ပ်တစ်ခုဖြစ်သည်။

>> ARFF နှင့် CSV ပံ့ပိုးမှု လေ့ကျင့်ရေးဒေတာအတွဲများသည် Weka ARFF ဖော်မတ် သို့မဟုတ် CSV (ကော်မာ-ခြားထားသော ကိန်းရှင်) နှင့် ကိုက်ညီရပါမည်။ CSV ဖိုင်များတွင် အောက်ပါအင်္ဂါရပ်များ ရှိရမည်-

* ခေါင်းစီးအတန်းတစ်ခု ပါဝင်ရမည်။

* class attribute ကို နောက်ဆုံးကော်လံအဖြစ် ကနဦးသတ်မှတ်ထားသည်။

>> Force class attribute သည် Nominal သို့ DataLearner ၏ algorithms အများစုသည် nominal/categorical class attribute များကိုမျှော်လင့်ထားပြီး numeric class attribute ကိုအသုံးပြုခြင်းသည် algorithms အများစုကို ကျရှုံးစေမည်ဖြစ်သည်။ 'force class attribute to nominal' အသစ်သည် ၎င်းကို ကျော်လွှားနိုင်သော်လည်း၊ ကွဲပြားသောတန်ဖိုးများလွန်းသော nominal class attribute များသည် RAM ကို အလွန်အကျွံသုံးနိုင်သည်။

*** သတင်း ! DataLearner သုတေသနကို ADMA 2019 (15th International Conference on Advanced Data Mining and Applications) တွင် တင်ဆက်ရန်အတွက် ရွေးချယ်ထားပြီး 'Lecture Notes in Artificial Intelligence' (Springer) ***

DataLearner သည် အဖွင့်အရင်းအမြစ် Weka (Waikato Environment for Knowledge Analysis) ပက်ကေ့ဂျ်မှ အမျိုးအစားခွဲခြင်း၊ ပေါင်းစည်းခြင်းနှင့် အစုလိုက်အပြုံလိုက် ပေါင်းစပ်ခြင်းဆိုင်ရာ အယ်လဂိုရီသမ်များအပြင် Charles Sturt တက္ကသိုလ်မှ ဒေတာသိပ္ပံသုတေသနယူနစ် (DSRU) မှ တီထွင်ထားသော အယ်လဂိုရီသမ်အသစ်များပါရှိပါသည်။ ပေါင်းစပ်ထားသော၊ အက်ပ်သည် RandomForest၊ C4.5 (J48) နှင့် NaiveBayes အပါအဝင် စက်သင်ယူခြင်း/ဒေတာတူးဖော်ခြင်းဆိုင်ရာ အယ်လဂိုရီသမ် ၄၂ ခုကို ပံ့ပိုးပေးပါသည်။

DataLearner သည် သင်၏ ဒေတာအတွဲများကို တင်ပြီး သင့်စက်သင်ယူမှု မော်ဒယ်များကို တည်ဆောက်ရန်အတွက် သင့်စက်ပစ္စည်းသိုလှောင်မှုသို့ ရိုးရှင်းစွာဝင်ရောက်ရန် လိုအပ်သည့် အချက်အလက်များကို စုဆောင်းမည်မဟုတ်ပါ။

DataLearner ကို Charles Sturt တက္ကသိုလ်မှ သတင်းအချက်အလက်နည်းပညာ မဟာဘွဲ့လွန်ဘွဲ့အတွက် ITC573 Data and Knowledge Engineering ဘာသာရပ်တွင် သင်ကြားရေးကိရိယာအဖြစ် အသုံးပြုလျက်ရှိသည်။

အရင်းအမြစ်များကို ရယူပါ

Github ရှိ GPL3 လိုင်စင်ရ အရင်းအမြစ်ကုဒ်- https://github.com/darrenyatesau/DataLearner

YouTube ရှိ အမြန်ဗီဒီယို- https://youtu.be/H-7pETJZf-g

arXiv ဆိုင်ရာ သုတေသနစာတမ်း- https://arxiv.org/abs/1906.03773

DataLearner ကို စတင်ခဲ့သော AusDM 2018 ကွန်ဖရင့်စာတမ်း- https://www.researchgate.net/publication/331126867

သုတေသီများ၊ သင်သည် ဤအက်ပ်ကို သုတေသနအက်ပ်လီကေးရှင်းတွင် အသုံးပြုပါက၊ အထက်ဖော်ပြပါ သုတေသနစာတမ်းများကို ကိုးကားပါ။ ကျေးဇူးပါ။

စက်သင်ယူခြင်းဆိုင်ရာ အယ်လဂိုရီသမ်များတွင်-

Bayes BayesNet၊ NaiveBayes

Functions Logistic၊ SimpleLogistic၊ MultiLayerPerceptron (Neural Network)

Lazy IBk (K အနီးဆုံး အိမ်နီးချင်းများ)၊ KStar

Meta AdaBoostM1၊ Bagging၊ LogitBoost၊ MultiBoostAB၊ ကျပန်းကော်မတီ၊ RandomSubSpace၊ RotationForest

စည်းမျဉ်းများ Conjunctive Rule၊ Decision Table၊ DTNB၊ JRip၊ OneR၊ PART၊ Ridor၊ ZeroR

ADTree၊ BFTree၊ DecisionStump၊ ForestPA၊ J48 (C4.5)၊ LADTree၊ ကျပန်းသစ်တော၊ RandomTree၊ REPTree၊ SimpleCART၊ SPAARC၊ SysFor။

အစုလိုက်အပြုံလိုက် DBSCAN၊ မျှော်လင့်ချက် အများဆုံးဖြစ်ခြင်း (EM)၊ အဝေးဆုံး-ပထမ၊ စစ်ထုတ်ထားသော အစုလိုက်၊ ရိုးရှင်းသောKMeans

အသင်းအဖွဲ့များ Apriori၊ FilteredAssociator, FPGrowth

>> ဒေတာအစုံဖိုင်တွေကို ဘယ်မှာရှာရမလဲ။ DataLearner တွင် 'rain.csv' ဟုခေါ်သော သရုပ်ပြဒေတာအစုံပါရှိပြီး၊ သို့သော် လူကြိုက်များသော 'ecoli' အစုံ (https://www.openml.org) အပါအဝင် OpenML ဝဘ်ဆိုက်တွင် ဒေတာအစုံများစွာကိုလည်း တွေ့ရပါမည်။ ARFF ဗားရှင်းများကို သင့်ဖုန်းတွင် ဒေါင်းလုဒ်လုပ်ပြီး မော်ဒယ်များကို တည်ဆောက်ရန်အတွက် DataLearner တွင် ၎င်းတို့ကို တင်ပါ။ ကျွန်ုပ်တို့၏ဗီဒီယိုသင်ခန်းစာအသစ်ကိုကြည့်ပါ - https://www.youtube.com/watch?v=81tSbclMVT8

ဤဆော့ဖ်ဝဲလ်ကို AS-IS မှ ထောက်ပံ့ပေးထားသည် - ၎င်းကို စမ်းသပ်ထားစဉ်တွင် အာမခံချက်ပေးခြင်း သို့မဟုတ် ပေးဆောင်ထားခြင်းမရှိပါ။