SHOGUN

SHOGUN jest projektem otwartym source zaprojektowany od offsetu, aby zapewnić zestaw narzędzi uczenia maszynowego skierowaną do dużych metod jądra skalę, i specjalnie zaprojektowane do obsługi Vector Machines (SVM). Oprogramowanie może być łatwo wykorzystane z poziomu różnych języków programowania, w tym C, C ++, Python, Octave, Matlab, Java, C #, Ruby, Lua, Sh, i R.
Aplikacja oferuje standardowe SVM (maszyny wektorów nośnych) obiekt, który może interfejs z różnych implementacji SVM. Obejmuje on także wiele metod, takich jak liniowe, programowanie liniowe Maszyna (LPM), liniowy analiza dyskryminacyjna (LDA) (jądro) perceptronów, jak również niektóre algorytmy mogą być wykorzystane do szkolenia ukryty Markowa models.Features w ciągu glanceKey funkcje obejmują jeden Klasyfikacja klasy, multiclass klasyfikacji, regresja, zorganizowany uczenie wyjście, wstępne przetwarzanie, wbudowane strategie wyboru modelu, system testowania, duże wsparcie nauki skalę, wielozadaniowe nauki, adaptacja domeny, serializacji, kod parallelized, mierniki wydajności, regresja grzbiet jądra, wektor Wsparcie regresji i procesy gaussowskie.
Dodatkowo wspiera uczenie się jądra, w tym wielokrotnego q-normą MKL i multiclass MKL, obsługuje naiwny klasyfikator Bayesa, regresja logistyczna, lasso k-NN i Gaussa procesowe klasyfikatorów klasyfikacji, wspiera Linear maszynowe programowania, łańcuchy LDA, Markowa, ukryte modele Markowa, PCA, jądra PCA, Isomap, skalowanie wielowymiarowe, liniowe lokalnie osadzanie, dyfuzja mapa, dopasowanie lokalne miejsca styczne, jak i Laplace'a eigenmaps.
Ponadto dysponuje Barnes-Hut t-SNE wsparcia, jądra, jądro Normalizer esicy, jądra smyczkowych, wielomian, liniowe i jądra Gaussa, hierarchiczne grupowanie, k-średnich, optymalizacji BFGS, zejście do gradientu, oprawy, oprawy do CPLEX, etykiety Mosek uczenia się sekwencji, nauka wykres czynnikiem, SO-SGD, utajone SO-SVM i skąpych danych representation.Under maską i availabilitySHOGUN jest dumnie napisane w Pythonie i C ++ języków programowania, co oznacza, że ​​& rsquo; s kompatybilny z dowolnym systemem operacyjnym GNU / Linux gdzie istnieje Python i GCC. Jest on dostępny do pobrania jako archiwum źródłowego uniwersalnego, więc można go zainstalować na dowolnym systemie operacyjnym Linux Kernel-based

Co nowego w tym wydaniu:.

• Opis:
• W pełni popieram python3 teraz
• Dodaj mini partii k-średnich [Parijat Mazumdar]
• Dodaj k-średnich ++ [Parijat Mazumdar]
• Dodaj podsekwencja jądra string [lambday]
• Poprawki błędów:
• kompilacji poprawki dla nadchodzącego swig3.0
• Przyspieszenie do procesu Gaussa "apply ()
• Urządzenie testowe poprawy kontroli / integracja
• libbmrm pamięci odinicjowany czyta
• libocas pamięci niezainicjowanego czyta
• Octave 3.8 kompilacji poprawki [Orion Popławski]
• Naprawiono błąd java modułowy kompilacji [Bjoern Esser]

Co nowego w wersji 3.1.1:

• naprawić błąd kompilacji występujące z CXX0X
• Bump wersję danych do wymaganej wersji

Co nowego w wersji 3.1.0:

• Ta wersja zawiera głównie poprawki błędów, ale również oferują ulepszenia .
• Najważniejsze, kilka wycieków pamięci związanych z zastosowania () zostały ustalone.
• Pisanie i czytanie funkcji Shogun jak protobuf obiektów jest teraz możliwe.
• Własne jądra Macierze mogą być teraz 2 ^ 31-1 * 2 ^ 31-1 wielkości.
• notebooki Multiclass ipython zostały dodane, a inni poprawie.
• Zostaw jeden-na jest teraz wygodnie oceny krzyżowej obsługiwane.

Co nowego w wersji 2.0.0:

• zawiera wszystko to, co zostało wykonane przed i podczas Google Summer of Code 2012.
• Studenci wdrożyły różne nowe funkcje, takie jak strukturze produkcji, procesów uczenia się, ukrytej zmiennej gaussowskich (SVM i uczenia się), wyjście zorganizowanego testów statystycznych w przestrzeni jądra odtwarzających różne algorytmy uczenia, wielozadaniowy i różne ulepszenia użyteczności, aby wymienić tylko kilka.

Co nowego w wersji 1.1.0:

• W tej wersji wprowadzono pojęcie "konwerterów", która pozwala na budowę osadzonych dowolnych funkcji.
• zawiera również kilka nowych technik redukcji wymiaru i znaczną poprawę wydajności w redukcji wymiarowości do zestawu narzędzi.
• Inne ulepszenia obejmują znaczną kompilacji przyspieszyć, różne poprawki błędów interfejsów modułowych i algorytmów i poprawie Cygwin, Mac OS X, a clang ++ kompatybilność.
• Github Zagadnienia jest teraz używany do śledzenia błędów i problemów.

Co nowego w wersji 1.0.0:

• Ta wersja posiada interfejsy dla nowych języków, w tym Java, C #, Ruby i Lua, ramy wyboru modelu, wiele technik redukcji wymiaru, estymacja Mieszanka modelu Gaussa, a pełnoprawnym ramy nauki online.

Co nowego w wersji 0.10.0:

• Opis:
• serializacji obiektów związanych z CSGObject, czyli wszystkie obiekty Shogun (SVM, Kernel, Cechy, Preprocesory, ...), jak ASCII, JSON, XML i HDF5
• Tworzenie SVMLightOneClass
• Dodaj CustomDistance analogicznie do jądra niestandardowy
• Dodaj HistogramIntersectionKernel (dzięki Koen van de Sande do poprawki),
• Wsparcie 2010a Matlab,
• SpectrumMismatchRBFKernel Modułowa obsługa (dzięki Rob Patro do poprawki),
• Dodaj ZeroMeanCenterKernelNormalizer (dzięki Gorden Jemwa do poprawki),
• SWIG wsparcie 2.0
• Poprawki błędów:
• Własne Jądra mogą być teraz & gt; 4G (dzięki Koen van de Sande do poprawki),
• Zestaw C locale na starcie w init_shogun aby zapobiec incompatiblies z pływaków ASCII i fprintf
• Kompilacja poprawkę podczas liczenia odniesienia jest wyłączony
• set_position_weights Fix dla jądra wd (zgłoszone przez Dave duVerle)
• set_wd_weights Fix dla jądra wd.
• Fix crasher w SVMOcas (zgłoszone przez Jarosława)
• Oczyszczanie i API Zmiany:
• Zmiana nazwy SVM_light / SVR_light do SVMLight itp.
• Usuń C prefiks przed nazw nie serializować klasy
• Spadek CSimpleKernel i wprowadzić CDotKernel jako klasy bazowej. Jest potrzebny ten sposób wszystkie jądra oparte kropka produkt może być stosowany na górze DotFeatures i tylko jednego wdrożenia dla takich ziaren.

Co nowego w wersji 0.9.3:

• Opis:
• Eksperymentalne PR-normą MCMKL
• Nowe Jądra: SpectrumRBFKernelRBF, SpectrumMismatchRBFKernel, WeightedDegreeRBFKernel
• Jądro WDK obsługuje aminokwasy,

Cechy
• String obsługuje teraz dołączyć operacje (i tworzenie
• Wsparcie python-dbg
• Możliwość pływaków jak wejście do jądra niestandardowych (i matryce & gt; 4GB)
• Poprawki błędów:
• Statyczne linkowanie poprawek.
• Fix add_to_normal skąpe liniowej jądra
• Oczyszczanie i API Zmiany:
• Usuń funkcję init () w mierników wyników
• Regulacja .so przyrostek dla Pythona i używać distutils Pythona, aby dowiedzieć się zainstalować ścieżki

Co nowego w wersji 0.9.2:

• Opis:
• Bezpośredni odczyt i zapis plików w oparciu ASCII / pliki binarne / HDF5.
• Wdrożone wielu normalizer jądra zadanie.
• Wdrożenie jądro SNP.
• Wdrożenie termin libsvm / libsvr.
• Integracja Elastyczna netto MKL (dzięki Ryoata Tomioka do poprawki).
• Wdrożenie funkcje zakodowane WD.
• Wdrożenie zakodowane funkcje Rzadki Poly.
• Integracja liblinear 1,51
• LibSVM mogą być przeszkoleni z uprzedzeń wyłączone.
• Dodaj funkcje do ustawienia / otrzymania globalną i lokalną IO / równolegle / ... obiekty.
• Poprawki błędów:
• set_w Fix () dla klasyfikatorów liniowych.
• Statyczne Octave, interfejsy Python, cmdLine i modułowa Python Kompilacja czysto pod Windows / Cygwin ponownie.
• W interfejsów statycznych testów może nie zadziałać, gdy nie odbywa się bezpośrednio po treningu.