An interactive web-based machine-learning suite
- Global styles
- Apa
- Bibtex
- Chicago Fullnote
- Help
Abstract
Bu ç?alış?mada, araş?tırmacılara ve kullanıcılara hem temel, hem de deneysel yapay öğrenme algoritmaları iç?eren web tabanlı, platform ba ?ımsız ve kapsamlı bir görselleştirme ve analiz aracı sunuyoruz. Sınıflama, kümeleme, gerileme, ön-işleme ve görselleştirme algoritmalarını bir arada sunan bileşen tabanlı uygulamalar daha once bir çok programlama dilinde, değişik platformlar üzerinde çalışacak şekilde ve değişik veri formatları üzerinde gerçekleştirildi. Ancak platform bağımlı bu uygulamalar, kullanıcılara değişik yapay ogrenme algoritmalarını hızlı ve kolay bir şekilde deneme ve karşılaştırma imkanıvermemektedir. ML-Lab ornekleme, ozellik seçme ve çıkarma, sınıflama, görsel olarak karşılaştırma ve istatistiksel testler gibi bir çok metoda imkan vermektedir. ML-Lab kullanıcılara sunduğu geniş algoritma seçeneklerine ek olarak, kullanıcı dostu ve şık bir arayüz sunmaktadır. ML-Lab'ın bileşen tabanlı uygulama çatısı hem deneyimli kullanıcıları ve araştırmacıları, hem de yapay ogrenme alanına yeni adım atmış kullanıcıları hedeflemektedir. Bu çalışmadaki yapay öğrenme algoritmaları kullanımı kolay ve gelişmiş bir sözdizimine sahip olan Python betikleme dilinde gerçeklenmiştir. ML-Lab sisteme kolayca yeni algoritmalar ve eklentiler yaplabilmesi için genişletilebilir bir mimaride tasarlanmıştır. We propose a comprehensive and interactive web-based machine learning suite that will allow researchers and practitioners to use a wide collection of basic and experimental learning algorithms and sophisticated visualization and analysis tools. Component based frameworks incorporating data input/output, pre-processing, classification, clustering, regression and visualization schemes have been implemented before in various programming languages, for use on different platforms, to operate using a variety of data formats. ML-Lab includes a large variety of machine learning algorithms for resampling, feature selection and extraction, classification and ensemble methods, as well as tools to visualize the experimental results of statistical comparison and testing. It provides a sophisticated and easy-to-use interface for creating workflows and a component-based framework intended for both experienced users and also those who are just entering the field. The collection of machine learning algorithms are implemented in Python, a modern easy-to-use scripting language with clear but powerful syntax and extensive set of additional libraries. ML-Lab has an extensible architecture and allows adding new capabilities to the system infrastructure easily.
Collections