SHOGUN

SHOGUN είναι ένα έργο ανοικτού κώδικα λογισμικό σχεδιασμένο από την offset για να παρέχει ένα σύνολο εργαλείων μηχανικής μάθησης που απευθύνονται σε μεγάλες μεθόδων πυρήνα κλίμακα, και ειδικά σχεδιασμένα για μηχανές διανυσμάτων υποστήριξης (SVM). Το λογισμικό μπορεί να χρησιμοποιηθεί εύκολα μέσα από τις διάφορες γλώσσες προγραμματισμού, συμπεριλαμβανομένων των C, C ++, Python, Octave, Matlab, Java, C #, Ruby, Lua, UNIX Shell, και R.
Η εφαρμογή προσφέρει ένα πρότυπο SVM (Support Vector Machines) αντικείμενο που μπορεί να διασυνδεθεί με διάφορες εφαρμογές SVM. Περιλαμβάνει επίσης πολλές γραμμικές μέθοδοι, όπως Γραμμικού Προγραμματισμού Machine (LPM), γραμμική διακριτική ανάλυση (LDA), (Kernel) Perceptrons, καθώς και ορισμένοι αλγόριθμοι που μπορούν να χρησιμοποιηθούν για την εκπαίδευση κρυμμένο Markov models.Features σε ένα glanceKey χαρακτηριστικά περιλαμβάνουν ένα κατηγορία ταξινόμησης, multiclass ταξινόμηση, οπισθοδρόμηση, δομημένη μάθηση εξόδου, προ-επεξεργασία, ενσωματωμένο σε στρατηγικές επιλογής μοντέλου, το πλαίσιο δοκιμής, μεγάλης κλίμακας υποστήριξη της μάθησης, πολλαπλές μάθηση, προσαρμογή του τομέα, σειριακή, παραλληλοποιημένων κώδικα, μέτρα απόδοσης, πυρήνα κορυφογραμμή παλινδρόμησης, διάνυσμα παλινδρόμηση και Gaussian διαδικασίες.
Επιπλέον, υποστηρίζει πολλαπλές μαθησιακές πυρήνα, συμπεριλαμβανομένης της Q-νόρμα MKL και multiclass MKL, υποστηρίζει τις Naive Bayes, Λογιστική Παλινδρόμηση LASSO, k-NN και Gaussian ταξινομητές Ταξινόμηση Διαδικασίας, υποστηρίζει γραμμική μηχανή προγραμματισμού, LDA, αλυσίδες Markov, κρυμμένα μοντέλα Markov, PCA, πυρήνας PCA, Isomap, πολυδιάστατη κλιμάκωση, τοπικά γραμμικές ενσωμάτωση, διάχυση χάρτη, τοπική εφαπτόμενος χώρος ευθυγράμμισης, καθώς και Laplacian eigenmaps.
Επιπλέον, διαθέτει Barnes-Hut t-ΑΕΕ υποστήριξη, πυρήνα Normalizer, σιγμοειδές πυρήνας, πυρήνες εγχόρδων, πολυωνυμική, γραμμική και Gaussian πυρήνες, ιεραρχική ομαδοποίηση, k-μέσων, βελτιστοποίηση BFGS, κλίση καθόδου, δέστρες για CPLEX, δέστρες για Mosek, ετικέτα μάθηση αλληλουχία, παράγοντας μάθησης γράφημα, SO-SGD, λανθάνουσα SO-SVM και ελάχιστα στοιχεία representation.Under την κουκούλα και availabilitySHOGUN είναι περήφανα γραμμένο στην Python και C ++ γλώσσες προγραμματισμού, πράγμα που σημαίνει ότι & rsquo? συμβατό s με οποιοδήποτε λειτουργικό σύστημα GNU / Linux όπου Python και το ΣΣΚ υπάρχουν. Είναι διαθέσιμο για download σαν ένα παγκόσμιο αρχείο πηγή, ώστε να μπορείτε να το εγκαταστήσετε σε οποιονδήποτε πυρήνα του Linux-based λειτουργικό σύστημα

Τι είναι καινούργιο σε αυτή την έκδοση:.

• Χαρακτηριστικά:
• Πλήρης υποστήριξη python3 τώρα
• Προσθήκη μίνι-παρτίδα k-means [Parijat Mazumdar]
• Προσθήκη μέσα-k ++ [Parijat Mazumdar]
• Προσθήκη υπο-ακολουθία του πυρήνα string [lambday]
• Bugfixes:
• Compile διορθώσεις για το επερχόμενο swig3.0
• Επιτάχυνση για Gaussian διαδικασία »ισχύει ()
• Βελτίωση των ελέγχων μονάδα δοκιμών / ένταξη
• libbmrm προετοιμαστεί μνήμη διαβάζει
• libocas προετοιμαστεί μνήμη διαβάζει
• Οκτάβα 3.8 καταρτίζουν διορθώσεις [Orion Poplawski]
• Σφάλμα Fix Java σπονδυλωτή μεταγλώττιση [Bjoern Esser]

Τι είναι καινούργιο στην έκδοση 3.1.1:

• Fix Σφάλμα μεταγλώττισης που συμβαίνουν με CXX0X
• Χτύπημα έκδοσης των δεδομένων στην απαιτούμενη έκδοση

Τι είναι καινούργιο στην έκδοση 3.1.0:

• Αυτή η έκδοση περιέχει κυρίως διορθώσεις, αλλά διαθέτουν επίσης βελτιώσεις .
• Το πιο σημαντικό, ένα ζευγάρι των διαρροών μνήμης που σχετίζονται με την εφαρμογή () έχουν καθοριστεί.
• εγγραφή και η ανάγνωση των χαρακτηριστικών σογκούν ως protobuf αντικείμενα είναι πλέον δυνατή.
• Προσαρμοσμένου Πυρήνα μήτρες μπορούν τώρα να είναι 2 ^ 31-1 * 2 ^ 31-1 σε μέγεθος.
• Multiclass ipython φορητούς υπολογιστές προστέθηκαν και οι άλλοι βελτιώθηκαν.
• Αφήστε-one-out crossvalidation υποστηρίζεται τώρα βολικά.

Τι είναι καινούργιο στην έκδοση 2.0.0:

• Περιλαμβάνει τα πάντα που έχει πραγματοποιηθεί πριν και κατά τη διάρκεια της Google Summer of Code 2012.
• Οι μαθητές έχουν εφαρμόσει διάφορα νέα χαρακτηριστικά, όπως η δομημένη μάθηση εξόδου, Gaussian διαδικασίες, λανθάνουσα SVM μεταβλητή (και δομημένη μάθηση εξόδου), στατιστικών ελέγχων στον πυρήνα αναπαραγωγής χώρους, διάφοροι αλγόριθμοι μάθησης πολλαπλών υπηρεσιών, καθώς και διάφορες βελτιώσεις χρηστικότητας, για να αναφέρουμε μερικές.

Τι είναι καινούργιο στην έκδοση 1.1.0:

• Αυτή η έκδοση εισήγαγε την έννοια του «μετατροπείς», το οποίο σας δίνει τη δυνατότητα να κατασκευάσει embeddings αυθαίρετων στοιχείων.
• Περιλαμβάνει επίσης μερικές νέες τεχνικές μείωσης διαστάσεων και σημαντικές βελτιώσεις στην απόδοση στην εργαλειοθήκη μείωσης διάστασης.
• Άλλες βελτιώσεις περιλαμβάνουν μια σημαντική συλλογή επιτάχυνση, διάφορες διορθώσεις για σπονδυλωτή διεπαφές και αλγορίθμων, και τη βελτίωση της Cygwin, Mac OS X, και κλαγγή ++ συμβατότητα.
• Github Θέματα χρησιμοποιείται τώρα για σφάλματα εντοπισμού και θέματα.

Τι είναι καινούργιο στην έκδοση 1.0.0:

• Αυτή η έκδοση διαθέτει διασυνδέσεις σε νέες γλώσσες, όπως Java, C #, Ruby, και Lua, ένα πλαίσιο επιλογής μοντέλου, πολλές τεχνικές μείωσης διαστάσεων, Gaussian εκτίμηση Μείγμα μοντέλο, και ένα ολοκληρωμένο on-line εκπαιδευτικού πλαισίου.

Τι είναι καινούργιο στην έκδοση 0.10.0:

• Χαρακτηριστικά:
• Serialization των αντικειμένων που προέρχονται από CSGObject, δηλαδή όλα τα αντικείμενα σογκούν (SVM, Kernel, Χαρακτηριστικά, προεπεξεργαστές, ...) ως ASCII, JSON, XML και HDF5
• Δημιουργία SVMLightOneClass
• Προσθήκη CustomDistance σε αναλογία με το προσαρμοσμένο πυρήνα
• Προσθήκη HistogramIntersectionKernel (χάρη Koen Van de Sande για το έμπλαστρο)
• Matlab υποστήριξη 2010a
• SpectrumMismatchRBFKernel σπονδυλωτή υποστήριξη (χάρη Rob patro για το έμπλαστρο)
• Προσθήκη ZeroMeanCenterKernelNormalizer (χάρη Gorden Jemwa για το έμπλαστρο)
• Γουλιά υποστήριξη 2.0
• Bugfixes:
• προσαρμοσμένους πυρήνες μπορεί τώρα να είναι & gt? 4G (χάρη Koen Van de Sande για το έμπλαστρο)
• locale Σετ C κατά την εκκίνηση σε init_shogun να αποτρέψει incompatiblies με πλωτήρες ASCII και fprintf
• Compile αποτύπωση όταν καταμέτρηση αναφοράς είναι απενεργοποιημένη
• set_position_weights Fix για το WD πυρήνα (αναφέρθηκαν από τον Dave duVerle)
• set_wd_weights Fix για τον πυρήνα της WD.
• Fix Σπαστήρες σε SVMOcas (αναφέρθηκε από Yaroslav)
• Εκκαθάριση και API Αλλαγές:
• Μετονομάστηκε SVM_light / SVR_light να SVMLight κλπ.
• Κατάργηση Γ πρόθεμα μπροστά από μη σειριοποιήσιμα ονόματα τάξης
• Drop CSimpleKernel και να εισαγάγει CDotKernel ως βάση της κατηγορίας του. Με αυτό τον τρόπο όλοι οι dot-προϊόν με βάση πυρήνες μπορεί να εφαρμοστεί πάνω από DotFeatures και μόνο μια ενιαία εφαρμογή αυτών των πυρήνων είναι απαραίτητη.

Τι είναι καινούργιο στην έκδοση 0.9.3:

• Χαρακτηριστικά:
• Πειραματική LP-νόρμα MCMKL
• Νέα πυρήνες: SpectrumRBFKernelRBF, SpectrumMismatchRBFKernel, WeightedDegreeRBFKernel
• πυρήνα WDK υποστηρίζει αμινοξέα
• String Χαρακτηριστικά υποστηρίζουν τώρα επισυνάπτει εργασίες (και τη δημιουργία του
• υποστήριξη python-DBG
• Να επιτρέπεται πλωτήρες ως πρώτη ύλη για προσαρμοσμένο πυρήνα (και μήτρες & gt? 4GB σε μέγεθος)
• Bugfixes:
• Μικροεπισκευές σύνδεση.
• Fix add_to_normal αραιά γραμμικά πυρήνα
• Εκκαθάριση και API Αλλαγές:
• Κατάργηση init () λειτουργία μετρά τις επιδόσεις
• Προσαρμόστε .Έτσι κατάληξη για Python και να χρησιμοποιείτε distutils python για να καταλάβω την εγκατάσταση μονοπάτια

Τι είναι καινούργιο στην έκδοση 0.9.2:

• Χαρακτηριστικά:
• Η ανάγνωση και γραφή των αρχείων που βασίζονται ASCII / Binary αρχεία / HDF5.
• Εφαρμόζεται πολλαπλών Normalizer πυρήνα έργο.
• Εφαρμογή SNP πυρήνα.
• Εφαρμογή προθεσμία για libsvm / libsvr.
• Ενσωμάτωση ελαστικό δίχτυ MKL (χάρη Ryoata Tomioka για την ενημερωμένη έκδοση κώδικα).
• Εφαρμογή Hashed WD Χαρακτηριστικά.
• Εφαρμογή Hashed Αραιή Πολυ Χαρακτηριστικά.
• Ενσωμάτωση liblinear 1,51
• LibSVM μπορούν πλέον να εκπαιδεύονται με προκατάληψη απενεργοποιημένη.
• Προσθέστε λειτουργίες για να ορίσετε / να πάρει την παγκόσμια και τοπική IO / παράλληλη / ... αντικείμενα.
• Bugfixes:
• Fix set_w () για γραμμικές ταξινομητές.
• Στατική Octave, Python, Cmdline και Modular Python διεπαφές μεταγλωττιστεί καθαρά κάτω από τα Windows / Cygwin ξανά.
• Σε στατική διασυνδέσεις δοκιμών θα μπορούσε να αποτύχει, όταν δεν γίνεται αμέσως μετά την προπόνηση.