SHOGUN

SHOGUN este un proiect open source proiectat de la distanta pentru a oferi un set de instrumente de învățare mașină orientată spre metode de kernel pe scară largă, și special concepute pentru Support Vector Machines (SVM). Software-ul poate fi ușor de utilizat din cadrul diverselor limbaje de programare, inclusiv C, C ++, Python, Octave, Matlab, Java, C #, Ruby, Lua, UNIX Shell, și R.
Aplicația oferă o SVM (Support Vector Machines), obiect standard, care pot interfera cu diverse implementări SVM. Acesta include, de asemenea, numeroase metode liniare, cum ar fi programarea liniară mașină (LPM), liniar discriminantă Analiză (LDA), (Kernel) perceptroni, precum și unor algoritmi care pot fi utilizate pentru a instrui Markov ascuns models.Features la o caracteristici glanceKey include unul clasificare clasă, multe clase de clasificare, regresie, învățarea ieșire structurată, pre-procesare, strategii de selecție model de built-in, cadru de testare, suport mare de învățare pe scară, multitasking de învățare, adaptare domeniu, serializare, cod paralelizată, măsuri de performanță, de regresie creastă nucleu, vector sprijin de regresie și a proceselor Gauss.
În plus, acesta susține învățarea nucleu multiple, inclusiv Q-normă MKL și multe clase MKL, susține naive Bayes, Logistic regresie, Lasso k NN-și Gaussian de proces clasificatoare de clasificare, sprijină mașini programare liniară, lanturi LDA, Markov, modelele ascunse Markov, PCA, nucleu PCA, Isomap, scalarea multidimensională, încorporarea local liniar, hartă de difuzie, local, aliniere spațiu tangent, precum și eigenmaps laplacian.
În plus, este dotat cu Barnes-Hut t-END suport, normalizator nucleu, kernel sigmoid, sâmburi de coarde, polinom, liniar și nucleele Gaussiene, clustering ierarhic, k-means, optimizare BFGS, coborâre degrade, legaturi la CPLEX, legaturi la Mosek, eticheta învățare secvență, factor grafic învățare, SO-SGD, latent SO-SVM și date rare representation.Under capota si availabilitySHOGUN este scris cu mândrie în Python și C ++ limbaje de programare, ceea ce înseamnă că și rsquo; s compatibil cu orice sistem de operare GNU / Linux în cazul în care Python și GCC exista. Acesta este disponibil pentru descărcare ca o arhivă sursă universal, astfel încât să puteți instala pe orice sistem de operare bazat pe kernel Linux

Ce este nou în această versiune:.

• Caracteristici:
• sprijine pe deplin python3 acum
• Adăugați mini-lot k-means [Parijat Mazumdar]
• Adăugați k-means ++ [Parijat Mazumdar]
• Adăugați sub-secvență nucleu string [lambday]
• Remedieri de erori:
• compila stabilește, pentru swig3.0 viitoare
• Speedup pentru proces Gaussian "se aplică ()
• îmbunătățească controalele unitate / încercării de integrare
• libbmrm memorie neinitializata citește
• libocas memorie neinitializata citește
• Octave 3.8 compila remedieri [Orion Poplawski]
• eroare Fix java compilare modular [Bjoern Esser]

Ce este nou în versiunea 3.1.1:

• Fix compila eroare apare cu CXX0X
• cucui Versiunea date la versiunea necesar

Ce este nou în versiunea 3.1.0:

• Această versiune conține cea mai mare parte rezolvări ale unor probleme, dar, de asemenea, caracteristica accesorii .
• Cel mai important, o pereche de pierderi de memorie legate de aplicarea () au fost rezolvate.
• Scrierea și citirea de caracteristici Shogun ca protobuf obiecte este posibil acum.
• personalizate Matrice Kernel poate fi acum 2 ^ 31-1 * 2 ^ 31-1 în mărime.

S-au adăugat
• notebook-uri multe clase ipython, iar ceilalți îmbunătățit.
• Lasă-una din crossvalidation este acum suportat convenabil.

Ce este nou în versiunea 2.0.0:

• Acesta include tot ceea ce a fost efectuată înainte și în timpul verii Google Code 2012.
• Elevii au implementat diverse caracteristici noi, cum ar fi învățarea structurată ieșire, procese gaussiene, latent SVM variabil (și învățare ieșire structurată), testele statistice în kernel spatii de reproducere, diverși algoritmi de învățare Multitasking, și diverse îmbunătățiri utilizabilitate, pentru a numi doar câteva.

Ce este nou în versiunea 1.1.0:

• Această versiune a introdus conceptul de "convertoare, care vă permite să construiască embeddings de caracteristici arbitrare.
• De asemenea, include câteva noi tehnici de reducere a dimensiunii și îmbunătățiri semnificative de performanță în setul de instrumente de reducere dimensională.
• Alte îmbunătățiri includ o compilație semnificativ viteză-up, diverse rezolvări ale unor probleme de interfețe modulare și algoritmi, și îmbunătățit Cygwin, Mac OS X, și zăngănit ++ compatibilitate.
• Probleme Github este acum folosit pentru bug-uri de urmărire și probleme.

Ce este nou în versiunea 1.0.0:

• Această versiune are interfețe pentru noi limbi, inclusiv Java, C #, Ruby, și Lua, un cadru de selecție model multe tehnici de reducere a dimensiune, Gauss estimare Amestec Model, precum și un cadru cu drepturi depline învățare on-line.

Ce este nou în versiunea 0.10.0:

• Caracteristici:
• serializare a obiectelor care decurg din CSGObject, adică toate obiectele Shogun (SVM, Kernel, Dosare, preprocessors, ...) ca ASCII, JSON, XML și HDF5
• Creare SVMLightOneClass
• Adăugați CustomDistance în analogie cu nucleu
• Adăugați HistogramIntersectionKernel (mulțumiri Koen van de Sande pentru patch-uri)
• sprijin 2010a Matlab
• suport modular SpectrumMismatchRBFKernel (mulțumiri Rob Patro pentru patch-uri)
• Adăugați ZeroMeanCenterKernelNormalizer (mulțumiri Gorden Jemwa pentru patch-uri)
• Swig 2.0
• Remedieri de erori:
• Personalizat Nucleele pot fi acum & gt; 4G (mulțumiri Koen van de Sande pentru patch-uri)
• Set C locale la pornirea în init_shogun pentru a preveni incompatiblies cu flotoare ASCII și fprintf
• Compile fix atunci când numărare de referință este dezactivat
• set_position_weights Fix pentru kernel WD (raportate de Dave duVerle)
• Fix set_wd_weights de kernel WD.
• Fix crasher în SVMOcas (raportate de Yaroslav)
• Curățare și API Schimbări:
• Renamed SVM_light / SVR_light la SVMLight etc.
• Eliminați C prefix în fața nume de clasa non-serializabile
• Arunca CSimpleKernel și să introducă CDotKernel ca clasa sa de bază. Este necesar acest fel toate nucleele pe bază de punct de produs poate fi aplicat pe partea de sus a DotFeatures și doar un singur punere în aplicare pentru astfel de nucleele.

Ce este nou în versiunea 0.9.3:

• Caracteristici:
• experimentală lp-norma MCMKL
• Noi Kernels: SpectrumRBFKernelRBF, SpectrumMismatchRBFKernel, WeightedDegreeRBFKernel
• kernel WDK susține aminoacizi

Caracteristici
• Corzi sprijini acum adăugați operațiuni (și crearea de
• suport python-dbg
• Permiteți flotoare ca intrare pentru nucleu (și matrice & gt; 4GB în dimensiune)
• Remedieri de erori:
• fix de legătură Static.
• Fix add_to_normal kernel liniar rare de
• Curățare și API Schimbări:
• Eliminare init () în măsurile de performanță
• Reglați Deci sufix pentru python și de a folosi distutils Python pentru a descoperi instala căi

Ce este nou în versiunea 0.9.2:

• Caracteristici:
• citire directă și scriere de fișiere bazate pe ASCII / fisierele binare / HDF5.
• Implementarea normalizator multe nucleu sarcină.
• Implement nucleu SNP.
• Implementarea limită de timp pentru libsvm / libsvr.
• Integrarea Elastic net MKL (mulțumiri Ryoata Tomioka pentru patch-uri).
• Implement Caracteristici distribuit WD.
• Punerea în aplicare a distribuit Caracteristici Sparse Poli.
• Integrarea liblinear 1,51
• LibSVM pot acum fi instruiți cu părtinire dezactivat.
• Adăugați funcții pentru a seta / obține global și local, IO / paralel / ... obiecte.
• Remedieri de erori:
• Fix set_w () pentru clasificatori liniare.
• Static Octave, interfețe Python, linie_cmd și modulare Python compila curat sub Windows / Cygwin din nou.
• În interfețe statice de testare ar putea eșua, atunci când nu se face imediat după antrenament.