Weka (strojové učení) - Weka (machine learning) - Wikipedia

„WEKA“ přeadresuje tady. Pro další použití viz Weka (disambiguation).
Weka
Logo Weka, představující weku, ptáka endemického na Novém Zélandu
Logo Weka, představovat Weka, pták endemický na Nový Zéland
Weka 3.5.5 s otevřeným oknem Průzkumníka s datovou sadou Iris UCI
Weka 3.5.5 s otevřeným oknem Průzkumníka s Iris UCI datová sada
VývojářiUniversity of Waikato
Stabilní uvolnění
3.8.5 (stabilní) / 21. prosince 2020; Před 0 dny (2020-12-21)
Náhled verze
3.9.5 / 21. prosince 2020; Před 0 dny (2020-12-21)
Úložiště
Upravte to na Wikidata
NapsánoJáva
Operační systémOkna, OS X, Linux
PlošinaIA-32, x86-64; Java SE
TypStrojové učení
LicenceGNU General Public License
webová stránkawww.cs.waikato.ac.nz/ ~ ml/ weka

Prostředí Waikato pro analýzu znalostí (Weka), vyvinutý na University of Waikato, Nový Zéland, je svobodný software licencováno pod GNU General Public License a doprovodný software ke knize „Data Mining: Practical Machine Learning Tools and Techniques“.[1]

Popis

Weka obsahuje sbírku vizualizačních nástrojů a algoritmů pro analýza dat a prediktivní modelování, společně s grafickými uživatelskými rozhraními pro snadný přístup k těmto funkcím.[1] Původní ne-jávská verze Weky byla a Tcl / Tk front-end (většinou třetích stran) modelovací algoritmy implementované v jiných programovacích jazycích, plus předzpracování dat inženýrské sítě v C a Makefile systém založený na provádění experimentů strojového učení. Tato původní verze byla primárně navržena jako nástroj pro analýzu dat ze zemědělských oblastí,[2][3] ale novější plně Jáva verze na bázi (Weka 3), jejíž vývoj byl zahájen v roce 1997, se nyní používá v mnoha různých aplikačních oblastech, zejména pro vzdělávací účely a výzkum. Mezi výhody Weky patří:

  • Zdarma dostupnost pod GNU General Public License.
  • Přenositelnost, protože je plně implementována v Programovací jazyk Java a tedy běží na téměř jakékoli moderní výpočetní platformě.
  • Komplexní sbírka technik předzpracování a modelování dat.
  • Snadné použití díky grafickým uživatelským rozhraním.

Weka podporuje několik standardů dolování dat úkoly, konkrétněji předzpracování dat, shlukování, klasifikace, regrese, vizualizace a výběr funkcí. Všechny Weka techniky vycházejí z předpokladu, že data jsou k dispozici jako jeden plochý soubor nebo relace, kde je každý datový bod popsán pevným počtem atributů (obvykle číselné nebo nominální atributy, ale podporovány jsou i některé další typy atributů) . Weka poskytuje přístup k SQL databáze použitím Připojení k databázi Java a může zpracovat výsledek vrácený databázovým dotazem. Weka poskytuje přístup k hluboké učení s Deeplearning4j.[4] Není schopen multirelační těžby dat, ale existuje samostatný software pro převod kolekce propojených databázových tabulek do jedné tabulky, která je vhodná pro zpracování pomocí Weky.[5] Další důležitou oblastí, která v současné době není pokryta algoritmy obsaženými v distribuci Weka, je sekvenční modelování.

Rozšiřující balíčky

Ve verzi 3.7.2 byl přidán správce balíčků, který umožňuje snadnější instalaci rozšiřujících balíčků.[6]Některé funkce, které byly před touto verzí zahrnuty do Weky, byly od té doby přesunuty do těchto rozšiřujících balíčků, ale tato změna také usnadňuje ostatním přidávat rozšíření do Weky a udržovat software, protože tato modulární architektura umožňuje nezávislé aktualizace jádro Weka a jednotlivé rozšíření.

Dějiny

  • V roce 1993 University of Waikato v Nový Zéland zahájil vývoj původní verze Weky, která se stala kombinací Tcl / Tk, C a Makefiles.
  • V roce 1997 bylo rozhodnuto o přestavbě Weky od nuly v Javě, včetně implementací modelovacích algoritmů.[7]
  • V roce 2005 Weka obdržel SIGKDD Cena za těžbu dat a vyhledávání znalostí.[8][9]
  • V roce 2006 Pentaho Společnost získala exkluzivní licenci k používání Weka pro obchodní inteligence.[10] Tvoří data mining a prediktivní analytika součást sady business inteligence Pentaho. Pentaho od té doby získala společnost Hitachi Vantara a Weka nyní podporuje open source komponentu PMI (Plugin for Machine Intelligence).[11]

Související nástroje

Viz také

Reference

  1. ^ A b Witten, Ian H.; Frank, Eibe; Hall, Mark A .; Pal, Christopher J. (2011). „Data Mining: Praktické nástroje a techniky strojového učení, 3. vydání“. Morgan Kaufmann, San Francisco (CA). Citováno 2011-01-19.
  2. ^ Holmes, Geoffrey; Donkin, Andrew; Witten, Ian H. (1994). „Weka: Pracovní stůl pro strojové učení“ (PDF). Sborník druhé konference o Austrálii a Novém Zélandu o inteligentních informačních systémech, Brisbane, Austrálie. Citováno 2007-06-25.
  3. ^ Garner, Stephen R .; Cunningham, Sally Jo; Holmes, Geoffrey; Nevill-Manning, Craig G.; Witten, Ian H. (1995). „Applying a machine learning workbench: Experience with Agricultural databases“ (PDF). Proceedings of the Machine Learning in Practice Workshop, Machine Learning Conference, Tahoe City (CA), USA. s. 14–21. Citováno 2007-06-25.
  4. ^ „Metadata balíčku Weka“. SourceForge. 2017. Citováno 2017-11-11.
  5. ^ Reutemann, Peter; Pfahringer, Bernhard; Frank, Eibe (2004). „Správné: Sada nástrojů pro učení se z relačních dat s výrokovými a víceinstančními studenty“. 17. australská společná konference o umělé inteligenci (AI2004). Springer-Verlag. CiteSeerX  10.1.1.459.8443.
  6. ^ "weka-wiki - Balíčky". Citováno 27. ledna 2020.
  7. ^ Witten, Ian H .; Frank, Eibe; Trigg, Len; Hall, Mark A .; Holmes, Geoffrey; Cunningham, Sally Jo (1999). „Weka: Praktické nástroje a techniky strojového učení s implementacemi Java“ (PDF). Sborník seminářů ICONIP / ANZIIS / ANNES'99 o rozvíjejícím se znalostním inženýrství a spojovacích informačních systémech. str. 192–196. Citováno 2007-06-26.
  8. ^ Piatetsky-Shapiro, Gregory I. (2005-06-28). „KDnuggets novinky o SIGKDD Service Award 2005“. Citováno 2007-06-25.
  9. ^ „Přehled vítězů ceny SIGKDD Service Award“. 2005. Citováno 2007-06-25.
  10. ^ „Pentaho získává projekt Weka“. Pentaho. Citováno 2018-02-06.
  11. ^ „Plugin for Machine Intelligence“.
  12. ^ Thornton, Chris; Hutter, Frank; Hoos, Holger H.; Leyton-Brown, Kevin (2013). Auto-WEKA: Kombinovaný výběr a optimalizace hyperparametru klasifikačních algoritmů. KDD '13 Proceedings of the 19. ACM SIGKDD international conference on Knowledge discovery and data mining. str. 847–855.

externí odkazy