SHOGUN

Shogun egy nyílt forráskódú szoftver projekt célja a ellensúlyozta, hogy a gépi tanulás eszköztár célzó nagyszabású kernel módszerek, és kifejezetten a Support Vector Machines (SVM). A szoftver könnyen használható belül különböző programozási nyelvek, köztük a C, C ++, Python, Octave, Matlab, Java, C #, Ruby, Lua, UNIX Shell és R.
Az alkalmazás egy szabványos SVM (Support Vector Machines) célja, hogy együtt tud működni a különböző SVM megvalósításai. Ugyancsak ide tartozik a számos lineáris módszerekkel, mint például a lineáris programozás Machine (LPM), a lineáris diszkrimináns analízis (LDA), (Kernel) Perceptrons, valamint néhány algoritmusok, hogy lehet használni, hogy a vonat a rejtett Markov models.Features egy glanceKey jellemzői közé tartozik egy osztályú besorolás, multiclass besorolás, regresszió, strukturált kimenet tanulás, előkezelést, beépített modellt lektálnak, vizsgálati keretet, nagyszabású tanulási támogatást, többfeladatú tanulás, domain adaptáció, a sorozatba, párhuzamos kódot, teljesítményt, kernel ridge regresszió, vektor regressziós támogatást és Gauss folyamatok.
Továbbá, ez támogatja a több kernel tanulás, beleértve a q-norma MKL és multiclass MKL, támogatja a Naiv Bayes, logisztikus regresszió, LASSO, k-NN és ​​Gauss folyamat Besorolás osztályozók, támogatja a lineáris programozási gép, LDA, Markov láncok, rejtett Markov-modellek, PCA, kernel PCA, Isomap, többdimenziós skálázás, lokálisan lineáris beágyazás, diffúziós térkép, helyi érintőlegesen tér igazítás, valamint a Laplace eigenmaps.
Továbbá, a funkciók Barnes-t Hut-SNE támogatást, kernel normalizer, sigmoid kernel, string kernelek, többtagú, lineáris és Gauss kernel, hierarchikus klaszter, k-means, BFGS optimalizálás, gradiens, kötések, hogy CPLEX, kötések, hogy Mosek, címke szekvencia tanulás, faktor grafikon tanulás, SO-SGD, látens SO-SVM és szórványos adatok representation.Under a motorháztető és a availabilitySHOGUN büszkén írta Python és C ++ programozási nyelvek, ami azt jelenti, hogy & rsquo; s kompatibilis minden GNU / Linux operációs rendszer ahol Python és a GCC létezik. Ez letölthető, mint egyetemes forráskód, így telepíteni, hogy minden Linux kernel-alapú operációs rendszer.

Mi az új ebben a kiadásban:

• Tulajdonságok:
• Teljesen támogatja python3 most
• Add mini-batch k-means [Parijat Mazumdar]
• Add k-means ++ [Parijat Mazumdar]
• Add al-jelsorozatba kernel [lambday]
• Bugfixek:
• Töltsd rögzíti a közelgő swig3.0
• Gyorsítási a Gauss-folyamat "alkalmazni ()
• Javítani egység / integrációs teszt ellenőrzi
• libbmrm előkészítetlen memória olvasás
• libocas előkészítetlen memória olvasás
• Octave 3.8 összeállításához javítások [Orion Poplawski]
• Fix java moduláris fordítási hiba [Bjoern Esser]

Mi az új verzióban 3.1.1:

• Fix Fordítási hiba előfordulni, CXX0X
• Bump adatok verzió szükséges verzióját

Mi az új verzióban 3.1.0:

• Ez a verzió főként hibajavításokat, hanem funkcionálisan továbbfejlődik .
• A legfontosabb, néhány memória szivárgás kapcsolódó alkalmazni () került sor.
• Írás és olvasás a sógun funkciók, mint protobuf tárgyakat is lehetséges.
• Egyéni Kernel Matricák most már 2 ^ 31-1 * 2 ^ 31-1-esek.
• Multiclass ipython notebook adunk, és a többiek javított.
• Hagyd-one-out crossvalidation most kényelmesen használható.

Mi az új a 2.0.0 verzió:

• Ez magában foglalja mindazt, ami megtörtént előtt és úgy a Google Summer of Code 2012.
• A diákok végre számos új funkciók, mint például a strukturált kimenet tanulás, Gauss folyamatok, látens változó SVM (és strukturált kimenet learning), statisztikai próbák a kernel lejátszó terek, különböző multitask tanuló algoritmusok, és a különböző használhatósági fejlesztések, hogy csak néhányat említsünk.

Mi az új a 1.1.0 verzió:

• Ez a verzió bevezette a "átalakító", amely lehetővé teszi, hogy állítson össze embeddings tetszőleges funkciókat.
• Ez is egy pár új dimenziót csökkentő technikák és jelentős teljesítménybeli javulást dimenzionalitásának csökkentése toolkit.
• További fejlesztések jelentős összeállítása felgyorsító, különböző hibajavítások moduláris interfészek és algoritmusok, és a jobb Cygwin, Mac OS X, és a csengés ++ kompatibilitás.
• GitHub kérdések most adatok nyomon követhetők a hibákat és problémákat.

Mi az új 1.0.0:

• Ebben a verzióban interfészek új nyelven, köztük Java, C #, Ruby, és Lua, a modell kiválasztása keretet, több dimenziós csökkentő technikák, Gauss keverék Model becslése, valamint a teljes körű online tanulási keret.

Mi az új verzióban 0.10.0:

• Tulajdonságok:
• sorszámozás tárgyak származó CSGObject, azaz minden Shogun tárgyat (SVM, Kernel, jellemzők, Preprocessors, ...), mint ASCII, JSON, XML és HDF5
• SVMLightOneClass
• Add CustomDistance analógiájára egyéni kernel
• Add HistogramIntersectionKernel (hála Koen van de Sande a tapasz)
• Matlab 2010a támogatás
• SpectrumMismatchRBFKernel moduláris támogatása (köszönet Rob Patro a tapasz)
• Add ZeroMeanCenterKernelNormalizer (köszönet Gorden Jemwa a tapasz)
• Korty 2.0 támogatás
• Bugfixek:
• Egyéni kernelek most & gt; 4G (köszönet Koen van de Sande a tapasz)
• Set C locale indításkor a init_shogun megelőzése incompatiblies ASCII úszók és fprintf
• Töltsd fix, amikor a referencia számolás van tiltva
• Fix set_position_weights a wd kernel (jelentése szerint Dave duVerle)
• Fix set_wd_weights a wd kernel.
• Fix crasher SVMOcas (jelentése szerint Jaroszláv)
• Razzia és API változások:
• Új néven SVM_light / SVR_light hogy SVMLight stb.
• Vegye C előtag előtt nem serializable osztályok nevében
• Csepp CSimpleKernel és be kell vezetni CDotKernel, mint az alap osztályt. Így minden dot-termék alapú kernel lehet alkalmazni tetejére DotFeatures, és csak egyetlen megvalósítás az ilyen magok van szükség.

Mi az új verzióban 0.9.3:

• Tulajdonságok:
• Experimental lp-norma MCMKL
• New kernelek: SpectrumRBFKernelRBF, SpectrumMismatchRBFKernel, WeightedDegreeRBFKernel
• WDK kernel támogatja az aminosavak
• string Jellemzők most már támogatja hozzáfűzni műveletek (és létrehozása
• python-dbg támogatás
• Allow úszók, mivel azokat az egyéni kernel (és mátrixok & gt; 4 GB méretű)
• Bugfixek:
• Statikus összekapcsolása fix.
• Fix ritkás lineáris kernel add_to_normal
• Razzia és API változások:
• Vegye init () függvény teljesítmény intézkedések
• Állítsa .so utótag Python és a Python distutils, hogy kitaláljuk, telepítse utakat

Mi az új verzióban 0.9.2:

• Tulajdonságok:
• Közvetlen olvasás és az írás az ASCII / Binary files / HDF5 alapú fájlokat.
• Megvalósult több feladatot kernel normalizer.
• Végre SNP kernel.
• Végre határidő libsvm / libsvr.
• beépítése Elastic Net MKL (köszönet Ryoata Tomioka a tapasz).
• Végre Hashelt WD Features.
• Végre Hashelt Ritka Poly Features.
• beépítése liblinear 1,51
• LibSVM most képzett eitérésanalízissel tiltva.
• Add funkciók beállításához / kap a globális és helyi io / párhuzamos / ... tárgyakat.
• Bugfixek:
• Fix set_w () lineáris osztályozók.
• Statikus Octave, Python, Cmdline és moduláris Python interfészek program tisztán Windows / Cygwin újra.
• A statikus interfészek tesztelése sikertelen lehet, ha nem közvetlenül történik az edzés után.