Καρίνα Το (Knowledge Extraction based on Evolutionary Learning) είναι ένα εργαλείο λογισμικού βασισμένο σε Java που ειδικεύεται στην υλοποίηση εξελικτικών αλγορίθμων. Δεδομένου ότι είναι ανοιχτός κώδικας, παρέχει μια μεγάλη ποικιλία αλγορίθμων ανακάλυψης γνώσης που μπορούν να χρησιμοποιηθούν σε πειράματα που τροφοδοτούν την κοινότητα εξόρυξης δεδομένων και ανάλυσης. Παρέχει ένα απλό και εύχρηστο γραφικό περιβάλλον χρήστη που μειώνει σημαντικά τη συνολική πολυπλοκότητα αυτού του εργαλείου. Τα περισσότερα παρόμοια εργαλεία στην αγορά απαιτούν από τους χρήστες να αλληλεπιδρούν μαζί τους γράφοντας τον κώδικα, ενώ η Keel καταργεί αυτήν την απαίτηση παρέχοντας ένα διαισθητικό GUI που μπορεί να χρησιμοποιηθεί τόσο από αρχάριους όσο και από ειδικούς.
Η Keel παρέχει μια μεγάλη ποικιλία διαφορετικών αλγορίθμων που βασίζονται στην υπολογιστική νοημοσύνη, όπως ταξινόμηση, παλινδρόμηση, εξαγωγή χαρακτηριστικών, ανάλυση προτύπων, ομαδοποίηση και πολλά άλλα. Με τα κυρίαρχα μοντέλα να φτιάχνονται απευθείας στην ίδια την εφαρμογή, το Keel είναι ένα πολύ χρήσιμο εργαλείο όταν πρόκειται για διερευνητικές αναλύσεις δεδομένων σε σύνολα ακατέργαστων δεδομένων. Η απλή διεπαφή μεταφοράς και απόθεσης σε συνδυασμό με την ευκολία χρήσης της λειτουργικότητας επιτρέπει γρήγορο και αποτελεσματικό πειραματισμό εξόρυξης δεδομένων τόσο για εκπαιδευτικούς όσο και για ερευνητικούς σκοπούς. Εργαλεία όπως το Keel αυξάνονται σε δημοτικότητα λόγω της απλοϊκής προσέγγισής τους σε κατά τα άλλα πολύπλοκες αλγοριθμικές πρακτικές.
Εγκατάσταση
Υπάρχουν δύο βασικοί τρόποι με τους οποίους μπορούμε να εγκαταστήσουμε Καρίνα σε οποιοδήποτε μηχάνημα Linux. Το πρώτο περιλαμβάνει τη μετάβαση στο Ιστοσελίδα Keel και κατεβάζοντας το λογισμικό από εκεί. Το δεύτερο, το οποίο θα ακολουθήσουμε σε αυτόν τον οδηγό εγκατάστασης, απαιτεί από εμάς να κατεβάσουμε το Keel χρησιμοποιώντας το wget εργαλείο λήψης διαθέσιμο για χρήστες Linux.
1. Ξεκινάμε παίρνοντας wget στον υπολογιστή μας Linux.
Εκτελέστε την ακόλουθη εντολή για λήψη του wget χρησιμοποιώντας το κατάλληλος διαχειριστής πακέτων:
$ sudo εγκατάσταση apt-get wget
Θα δείτε μια παρόμοια έξοδο τερματικού:
2. Τώρα που έχουμε το wget εργαλείο που είναι εγκατεστημένο στον υπολογιστή μας Linux, το χρησιμοποιούμε για τη λήψη του Καρίνα εργαλείο.
Αυτό είναι το Σύνδεσμος που περνάμε στο wget.
Εκτελέστε την ακόλουθη εντολή στο τερματικό σας:
$ wget http: // sci2s.ugr.es / καρίνα / λογισμικό / πρωτότυπα / openVersion / Λογισμικό- 2018 -04-09.zip
Θα πρέπει να δείτε μια παρόμοια έξοδο στο τερματικό σας:
Μόλις ολοκληρωθεί η λήψη του Keel, μπορούμε να συνεχίσουμε με την υπόλοιπη εγκατάσταση.
3. Τώρα εξάγουμε το συμπιεσμένο αρχείο που κατεβάσαμε στο προηγούμενο βήμα χρησιμοποιώντας το εργαλείο Linux Unzip.
Εκτελέστε την ακόλουθη εντολή:
$ ανοίγω φερμουάρ Λογισμικό- 2018 -04-09.zip
Θα πρέπει να δείτε μια παρόμοια έξοδο στο τερματικό:
4. Πλοηγηθείτε στο φάκελο Keel εκτελώντας την ακόλουθη εντολή:
$ CD Λογισμικό- 2018 -04-09 / έγγραφα / πειράματα / ΚΑΡΙΝΑ / απόσταση /
5. Εκτελέστε την ακόλουθη εντολή για να ξεκινήσετε με την εγκατάσταση:
$ Ιάβα -δοχείο . / GraphInterKeel.jar
Με αυτό, το Keel θα πρέπει να είναι διαθέσιμο για χρήση στον υπολογιστή σας Linux.
ΟΔΗΓΟΣ ΧΡΗΣΤΗ
Αλληλεπιδρώντας με το Καρίνα η εφαρμογή είναι πραγματικά εύκολη και απλή. Ας ξεκινήσουμε με την εισαγωγή του Σύνολο δεδομένων ίριδας στον χώρο εργασίας μας.
Καθώς εισάγουμε τα δεδομένα, το εργαλείο μας δείχνει τη συνολική ομαδοποίηση του σημείου δεδομένων στο σύνολο δεδομένων. Μας δείχνει επίσης τις διαφορετικές κλάσεις που υπάρχουν στο σύνολο δεδομένων μαζί με τις βασικές πληροφορίες, όπως τα αριθμητικά εύρη που εκτείνονται αυτά τα σημεία δεδομένων και τη συνολική διακύμανση και τις μέσες τιμές που παρουσιάζει. Αυτές οι πληροφορίες επιτρέπουν στους χρήστες να κατανοήσουν καλύτερα πώς να προχωρήσουν στην προετοιμασία δεδομένων για κάθε είδους εργασία ανάλυσης δεδομένων.
Προχωρώντας περαιτέρω στον πειραματισμό, συναντάμε τις διαφορετικές τεχνικές που μπορούν να χρησιμοποιηθούν για τη δημιουργία του πειράματός μας σε οποιοδήποτε σύνολο δεδομένων. Οι διαφορετικοί αλγόριθμοι εκμάθησης που μπορούν να χρησιμοποιηθούν στα δεδομένα μας φαίνονται στην παρακάτω εικόνα. Ανάλογα με τη φύση του συνόλου δεδομένων και τις απαιτήσεις του πειράματος, μπορούν να πειραματιστούν διαφορετικοί αλγόριθμοι.
Για παράδειγμα, εάν εργάζεστε με δεδομένα χωρίς ετικέτα και πρέπει να βρείτε ομοιότητες μεταξύ των διαφορετικών σημείων δεδομένων στο σύνολο δεδομένων σας, η χρήση ενός αλγόριθμου ομαδοποίησης από τις διάφορες διαθέσιμες επιλογές μπορεί να σας βοηθήσει να κατανοήσετε καλύτερα τα σημεία δεδομένων. Αυτό τελικά σας βοηθά να επισημάνετε και να ταξινομήσετε τα σημεία δεδομένων, έτσι ώστε το πείραμα να μπορεί να βασιστεί στη χρήση πιο ολοκληρωμένων εποπτευόμενων αλγορίθμων εκμάθησης.
συμπέρασμα
ο Καρίνα Η πλατφόρμα για ανάλυση δεδομένων είναι μια καλή πηγή τόσο για ερευνητικούς όσο και για εκπαιδευτικούς σκοπούς. Η εύχρηστη γραφική διεπαφή χρήστη βοηθά τους χρήστες να κατανοήσουν καλύτερα τις απαιτήσεις των δεδομένων μαζί με την παροχή λογικών παραπομπών σε χρήσιμες τεχνικές και αλγόριθμους που βοηθούν περαιτέρω τους χρήστες στις ροές εργασίας τους. Έχοντας ένα ευρύ φάσμα διαφορετικών αλγορίθμων που εμπίπτουν στις διάφορες κατηγορίες και αλγοριθμικές τεχνικές επιτρέπουν στους χρήστες να πειραματιστούν με πολυάριθμες λογικές κατευθύνσεις και να συγκρίνουν αυτά τα αποτελέσματα έτσι ώστε να επιτευχθεί η βέλτιστη λύση σε οποιοδήποτε πρόβλημα.
Η προσέγγιση χωρίς κώδικα μεταφοράς και απόθεσης της Keel στην εξόρυξη δεδομένων βοηθά ακόμη και τους αρχάριους να εργάζονται αβίαστα με ολοκληρωμένα μοντέλα υπολογιστικής νοημοσύνης. Αυτό παρέχει πληροφορίες για πολύπλοκα σύνολα δεδομένων και, κατά συνέπεια, εξάγει χρήσιμα συμπεράσματα που βοηθούν στην επίλυση των προβλημάτων του πραγματικού κόσμου.