SHOGUN

SHOGUN е софтуер с отворен код проект, разработен от отклонението за предоставяне на машинно обучение инструментариум, насочена към мащабни методи на ядрото, и специално предназначени за поддръжка Vector Machines (SVM). Софтуерът може лесно да се използва в рамките на различни програмни езици, включително C, C ++, Python, Октав, Matlab, Java, C #, Ruby, Lua, UNIX Shell, и R.
Приложението предлага стандартен SVM (Support Vector Machines) обект, който може да взаимодейства с различни SVM реализации. Той включва също много линейни методи, като например линейно програмиране машина (LPM), Линеен дискриминантен анализ (LDA), (ядрото) Perceptrons, както и някои алгоритми, които могат да бъдат използвани за обучение скрит Марков models.Features в един glanceKey характеристики включват един класификация клас, multiclass класификация, регресия, структуриран изход учене, предварителна обработка, вградени стратегии модел за подбор, тест рамка, голяма подкрепа мащаб учене, многозадачни обучение, адаптиране на домейн, сериализация, паралелизирано код, мерки за изпълнение, ядрото билото регресия, вектор подкрепа регресия и Gaussian процеси.
Освен това, тя поддържа множество живот на ядрото, включително Q-норма MKL и multiclass MKL, подкрепя Наивни Бейс, логическа регресия, LASSO, K-NN и Gaussian Процес Класификация класификатори, подкрепя линейното програмиране машина, LDA, Марковски вериги, скрити Марков модели, PCA, ядрото PCA, Isomap, многоизмерна мащабиране, локално линейна вграждането, дифузия карта, местно допирателната пространство подравняване, както и лапласовата eigenmaps.
Освен това, той разполага Barnes-Hut T-SNE подкрепа, ядрото нормализиращите, сигмоидната ядрото, струнни ядки, полином, линейни и Gaussian ядки, йерархична клъстеризация, к-средства, BFGS оптимизация, градиент спускане, автомати за CPLEX, автомати за Mosek, етикет учене последователност, фактор живот графика, SO-SGD, латентна SO-SVM и откъслечни данни representation.Under качулката и availabilitySHOGUN е гордо, написани на Python и C ++ програмни езици, което означава, че и rsquo; ите съвместима с всяка операционна система GNU / Linux където съществува Python и GCC. Тя е достъпна за изтегляне като универсална изходен код, така че можете да го инсталирате на всеки Linux базирана на ядрото на операционната система

Какво ново в тази версия:.

• Характеристики:
• Напълно подкрепям python3 сега
• Добавяне на мини-партидни к-средства [Parijat Mazumdar]
• Добавяне на к-средства ++ [Parijat Mazumdar]
• Добави суб-последователност низ ядрото [lambday]
• Фиксирани бъгове:
• Компилиране поправки за предстоящия swig3.0
• Speedup за Gaussian процес "приложи ()
• подобри проверките звено за анализ / интеграцията
• libbmrm неициализиран памет гласи
• libocas неициализиран памет гласи
• Октав 3.8 съставят поправки [Orion Poplawski]
• Fix Java модулна компилация грешка [Bjoern Esser]

Какво ново във версия 3.1.1:

• Fix съставяне грешка възникващи с CXX0X
• Bump версия данни да изисква версия

Какво ново във версия 3.1.0:

• Тази версия съдържа най-вече поправки на грешки, но също така включва подобрения .
• Най-важното е, няколко изтичане на памет, свързани с прилагане () са фиксирани.
• Писането и четенето на шогуна функции като protobuf обекти вече е възможно.
• Персонализирани Матрици ядрото вече могат да бъдат 2 ^ 31-1 * 2 ^ 31-1 в размер.

Прибавят
• Multiclass ipython преносими компютри, а другите се подобрили.
• Оставете-он-на crossvalidation сега удобно поддържа.

Какво ново във версия 2.0.0:

• Тя включва всичко, което е било извършено преди и през Google лято на Кодекса 2012 година.
• Студентите са приложили различни нови функции, като например структурирани изход учене, Gaussian процеси, латентна променлива SVM (и структуриран изход учене), статистически тестове в ядрото, възпроизвеждащи пространства, различни алгоритми Multitask учене, както и различни използваемост подобрения, за да назовем само няколко.

Какво ново във версия 1.1.0:

• Тази версия въвежда концепцията за "преобразуватели", която ви позволява да се изгради зазиждащия пласт на произволни функции.
• Тя също така включва няколко нови техники за намаляване измерение и значителни подобрения в производителността в комплекта инструменти за намаляване на размерността на.
• Други подобрения включват значителен компилация ускоряване, различни фиксирани бъга за модулни интерфейси и алгоритми, както и подобрени Cygwin, Mac OS X, и трясък ++ съвместимост.
• Github въпроси сега се използва за проследяване на грешки и проблеми.

Какво ново във версия 1.0.0:

• Тази версия разполага интерфейси към нови езици, включително Java, C #, Ruby, и Lua, рамка за избор на модел на много техники за намаляване на измерение, Gaussian Смес моделна оценка и пълноправен онлайн рамка живот.

Какво ново във версия 0.10.0:

• Характеристики:
• сериализацията на обекти, произтичащи от CSGObject, т.е. всички Shogun обекти (SVM, Kernel, Характеристики, Препроцесори, ...) като ASCII, JSON, XML и HDF5
• Създаване SVMLightOneClass
• Добави CustomDistance по аналогия с ядро ​​
• Добави HistogramIntersectionKernel (благодарение Koen ван де Sande за пластира)
• Matlab 2010a подкрепа
• SpectrumMismatchRBFKernel модулна подкрепа (благодарение Rob Patro за пластира)
• Добави ZeroMeanCenterKernelNormalizer (благодарение Гордън Jemwa за пластира)
• Swig 2.0 подкрепа
• Фиксирани бъгове:
• Потребителски ядки сега може да бъде & GT; 4G (благодарение Koen ван де Sande за пластира)
• Set C локал при стартиране в init_shogun да предотврати incompatiblies с ASCII поплавъци и fprintf
• Compile Fix, когато референтната броене е забранено
• Fix set_position_weights за WD ядрото (отчетени от Dave duVerle)
• Fix set_wd_weights за WD ядрото.
• Fix CRaSHeR в SVMOcas (отчетени от Ярослав)
• Cleanup и API Changes:
• Преименувана SVM_light / SVR_light да SVMLight др.
• Отстрани C префикс пред имена не-Serializable клас
• Drop CSimpleKernel и въведе CDotKernel като своя базов клас. По този начин всички базирани ядки дот-продукти могат да се прилагат върху DotFeatures и само един изпълнението на тези ядки е необходимо.

Какво ново във версия 0.9.3:

• Характеристики:
• Experimental LP-норма MCMKL
• Нови ядки: SpectrumRBFKernelRBF, SpectrumMismatchRBFKernel, WeightedDegreeRBFKernel
• WDK ядрото поддържа аминокиселини
• String Особености вече поддържат добавяне операции (и създаване на
• подкрепа питон-DBG
• Позволи плувки като вход за собствено ядро ​​(и матрици & GT; 4GB в размер)
• Фиксирани бъгове:
• Static свързване оправя.
• Fix add_to_normal рядка линейна ядрото
• Cleanup и API Changes:
• Отстрани първоначален () функция в изпълнение мерки
• Регулиране Така че суфикс за Python и използва питон distutils да разбера инсталирате пътеки

Какво ново във версия 0.9.2:

• Характеристики:
• Direct четене и писане на ASCII / бинарни файлове / HDF5 базирани файлове.
• Изпълнено мулти задача ядрото нормализиращите.
• Прилагане SNP ядрото.
• Прилагане срок за libsvm / libsvr.
• Интегриране Elastic Net MKL (благодарение Ryoata Tomioka за пластира).
• Прилагане хешираното WD функции.
• Прилагане хешираното Sparse Поли функции.
• Интегриране liblinear 1.51
• LibSVM вече могат да бъдат обучени с пристрастие забранено.
• Добави функции, за да зададете / постигане на глобални и местни IO / паралелно / ... обекти.
• Фиксирани бъгове:
• Fix set_w () за линейни класификатори.
• Static Октав, Python, CMDLINE и Modular Python интерфейси Компилиране чисто под Windows / Cygwin отново.
• В статични интерфейси тестване може да се провали, ако не директно направено след тренировка.