Kobilica (Knowledge Extraction based on Evolutionary Learning) softverski je alat temeljen na Javi koji je specijaliziran za implementaciju evolucijskih algoritama. Budući da je otvorenog koda, pruža široku paletu algoritama za otkrivanje znanja koji se mogu koristiti u eksperimentima koji pokreću zajednicu rudarenja i analize podataka. Pruža jednostavno i lako za korištenje grafičko korisničko sučelje koje značajno smanjuje ukupnu složenost ovog alata. Većina sličnih alata na tržištu zahtijeva od korisnika interakciju s njima pisanjem koda, dok Keel uklanja ovaj zahtjev pružajući intuitivno GUI koje mogu koristiti i početnici i stručnjaci.
Keel pruža široku paletu različitih algoritama baziranih na računskoj inteligenciji, uključujući klasifikaciju, regresiju, ekstrakciju značajki, analizu uzoraka, klasteriranje i još mnogo toga. S glavnim modelima ugrađenim izravno u samu aplikaciju, Keel je vrlo koristan alat kada je u pitanju izvođenje istraživačkih analiza podataka na neobrađenim skupovima podataka. Njegovo jednostavno sučelje za povlačenje i ispuštanje upareno s lakoćom korištenja funkcionalnosti omogućuje brzo i učinkovito eksperimentiranje rudarenja podataka u obrazovne i istraživačke svrhe. Alati poput Keela postaju sve popularniji zbog svog jednostavnog pristupa inače složenim algoritamskim postupcima.
Montaža
Postoje dva glavna načina na koje možemo instalirati Kobilica na bilo kojem Linux stroju. Prvi uključuje odlazak u Keelova web stranica i preuzimanje softvera od tamo. Drugi, koji ćemo slijediti u ovom vodiču za instalaciju, zahtijeva preuzimanje Keela pomoću wget alat za preuzimanje dostupan korisnicima Linuxa.
1. Počinjemo s dobivanjem wget na našem Linux stroju.
Pokrenite sljedeću naredbu za preuzimanje wgeta pomoću prikladan upravitelj paketa:
$ sudo apt-get instalacija wget
Vidjet ćete sličan izlaz terminala:
2. Sada kada imamo wget alat instaliran na našem Linux računalu, koristimo ga za preuzimanje Kobilica alat.
Ovo je veza koje prosljeđujemo na wget.
Pokrenite sljedeću naredbu na svom terminalu:
$ wget http: // sci2s.ugr.es / kobilica / softver / prototipovi / otvorenaVerzija / Softver- 2018 -04-09.zip
Trebali biste vidjeti sličan izlaz na svom terminalu:
Nakon što Keel završi s preuzimanjem, možemo nastaviti s ostatkom instalacije.
3. Sada izdvajamo komprimiranu datoteku koju smo preuzeli u prethodnom koraku pomoću alata Linux Unzip.
Pokrenite sljedeću naredbu:
$ otvoriti rajsfešlus Softver- 2018 -04-09.zip
Trebali biste vidjeti sličan izlaz na terminalu:
4. Dođite do mape Keel pokretanjem sljedeće naredbe:
$ CD Softver- 2018 -04-09 / dokumenata / eksperimenti / KOBILICA / dist /
5. Pokrenite sljedeću naredbu za početak instalacije:
$ Java - staklenka . / GraphInterKeel.jar
Uz to, Keel bi trebao biti dostupan za korištenje na vašem Linux stroju.
Korisnički vodič
Interakcija s Kobilica aplikacija je stvarno laka i jednostavna. Počnimo s uvozom Skup podataka o šarenici u naš radni prostor.
Dok uvozimo podatke, alat nam pokazuje cjelokupno grupiranje podatkovne točke u skupu podataka. Također nam pokazuje različite klase koje su prisutne u skupu podataka zajedno s osnovnim informacijama kao što su numerički rasponi koje te podatkovne točke obuhvaćaju te ukupnu varijancu i srednje vrijednosti koje predstavljaju. Ove informacije omogućuju korisnicima da bolje razumiju kako nastaviti s pripremom podataka za bilo koju vrstu zadatka analize podataka.
Nastavljajući dalje s eksperimentiranjem, nailazimo na različite tehnike koje se mogu koristiti za izradu našeg eksperimenta na bilo kojem skupu podataka. Različiti algoritmi učenja koji se mogu koristiti na našim podacima mogu se vidjeti na sljedećoj slici. Ovisno o prirodi skupa podataka i zahtjevima eksperimenta, može se eksperimentirati s različitim algoritmima.
Na primjer, ako radite s neoznačenim podacima i morate pronaći sličnosti između različitih podatkovnih točaka u vašem skupu podataka, korištenje algoritma grupiranja iz različitih dostupnih opcija može vam pomoći da bolje razumijete podatkovne točke. To vam na kraju pomaže označiti i klasificirati podatkovne točke tako da se eksperiment može nadograđivati pomoću sveobuhvatnijih algoritama za nadzirano učenje.
Zaključak
The Kobilica platforma za analizu podataka dobar je izvor i za istraživačke i za obrazovne svrhe. Njegovo grafičko korisničko sučelje jednostavno za korištenje pomaže korisnicima da bolje razumiju zahtjeve podataka uz pružanje logičnih referenci na korisne tehnike i algoritme koji dodatno pomažu korisnicima u njihovim radnim procesima. Širok raspon različitih algoritama koji spadaju u različite kategorije i algoritamske tehnike omogućuju korisnicima eksperimentiranje s brojnim logičkim pravcima i usporedbu tih rezultata kako bi se došlo do najoptimalnijeg rješenja za bilo koji problem.
Keelov pristup rudarenju podataka s povlačenjem i ispuštanjem bez koda pomaže čak i početnicima da bez napora rade sa sveobuhvatnim modelima računalne inteligencije. To pruža uvid u složene skupove podataka i posljedično izvodi korisne zaključke koji pomažu u rješavanju problema stvarnog svijeta.