SHOGUN

SHOGUN er et open source software-projekt designet fra offset til at give et machine learning værktøjskasse rettet mod store kerne metoder, og specielt designet til Support Vector Machines (SVM). Softwaren kan nemt bruges indefra forskellige programmeringssprog, herunder C, C ++, Python, Octave, Matlab, Java, C #, Ruby, Lua, UNIX Shell og R.
Ansøgningen tilbyder en standard SVM (Support Vector Machines) objekt, der kan interface med forskellige SVM-implementeringer. Det omfatter også mange lineære metoder, såsom lineær programmering Machine (LPM), Linear Discriminant Analysis (LDA), (kernen) perceptroner, samt nogle algoritmer, som kan anvendes til at træne skjult Markov models.Features ved en glanceKey funktioner omfatter en klasse klassificering, multiklassefonde klassificering, regression, struktureret output læring, forbehandling, indbyggede model selektionsstrategier, test rammer, storstilet learning support, multitaske læring, domæne tilpasning, serialisering, paralleliseret kode, præstationsmål, kernel højderyg regression, vektor regression support og Gauss processer.
Derudover er det understøtter flere kerne læring, herunder q-norm MKL og multiklassefonde MKL, understøtter Naive Bayes, Logistisk regression, LASSO K-NN og Gauss Process Klassifikation klassifikatorer, understøtter lineær programmering maskine, LDA, Markov kæder, skjulte Markov modeller, PCA, kernel PCA, Isomap, multidimensional skalering, lokalt lineær indlejring, diffusion kort, lokal tangent plads justering, samt Laplace eigenmaps.
Desuden det funktioner Barnes-Hut t-SNE support, kerne normalizer, sigmoid kerne, string kerner, polynomiel, lineære og Gauss kerner, hierarkisk klyngedannelse, k-midler, BFGS optimering, gradient afstamning, bindinger til CPLEX, bindinger til Mosek, label sekvens læring, faktor graf læring, SO-SGD, latent SO-SVM og sparsomme data representation.Under hætten og availabilitySHOGUN er stolt skrevet i Python og C ++ programmeringssprog, hvilket betyder, at det & rsquo; s kompatibel med alle GNU / Linux operativsystem hvor Python og GCC eksisterer. Det kan hentes som en universel kilde arkiv, så du kan installere den på alle Linux kernel-baseret operativsystem

Hvad er nyt i denne udgivelse:.

• Features:
• Støtter fuldt ud python3 nu
• Tilføj mini-batch k-midler [Parijat Mazumdar]
• Tilføj k-midler ++ [Parijat Mazumdar]
• Tilføj subsekvens string kerne [lambday]
• Fejlrettelser:
• kompilere rettelser til kommende swig3.0
• Speedup for Gaussisk proces «anvendes ()
• Forbedre enhed / integration test kontrol
• libbmrm initialiseret hukommelse læser
• libocas initialiseret hukommelse læser
• Octave 3.8 kompilere rettelser [Orion Poplawski]
• Fix java modulære kompilere fejl [Bjoern Esser]

Hvad er nyt i version 3.1.1:

• Fix kompilere fejl forekommer med CXX0X
• Bump data version krævede version

Hvad er nyt i version 3.1.0:

• Denne version indeholder meste fejlrettelser, men også forbedringer .
• Vigtigst, har et par memory leaks relation til at anvende () blevet rettet.
• Skrivning og læsning af Shogun funktioner som protobuf objekter er nu muligt.
• egen kerne Matricer kan nu være 2 ^ 31-1 * 2 ^ 31-1 i størrelse.
• multiklassefonde ipython notebooks blev tilsat, og de andre bedre.
• Lad-one-out crossvalidation nu bekvemt understøttet.

Hvad er nyt i version 2.0.0:

• Det omfatter alt, hvad der er gennemført før og under Google Summer of Code 2012.
• Studerende har gennemført forskellige nye funktioner såsom struktureret output læring, Gauss processer, latent variabel SVM (og struktureret output læring), statistiske tests i kerne gengiver rum, diverse algoritmer multitask læring og forskellige usability forbedringer, for at nævne et par stykker.

Hvad er nyt i version 1.1.0:

• Denne version introducerede begrebet »converters« som gør det muligt at konstruere indlejringerne af vilkårlige funktioner.
• Det omfatter også et par nye teknikker til reduktion af dimension og væsentlige forbedringer ydeevne i dimensionalitet reduktion toolkit.
• Andre forbedringer omfatter en betydelig samling speed-up, diverse fejlrettelser til modulære grænseflader og algoritmer, og forbedret Cygwin, Mac OS X, og klang ++ kompatibilitet.
• Github Issues bruges nu til sporing bugs og problemer.

Hvad er nyt i version 1.0.0:

• Denne version byder grænseflader til nye sprog, herunder Java, C #, Ruby, og Lua, en ramme markering model, mange reduktion dimension teknikker, Gauss Blanding Model estimering, og en fuldt udviklet online rammer læring.

Hvad er nyt i version 0.10.0:

• Features:
• serialisering af objekter, der følger af CSGObject, dvs. alle Shogun objekter (SVM, Kernel, Features, præprocessorer, ...) som ASCII, JSON, XML og HDF5
• Opret SVMLightOneClass
• Tilføj CustomDistance analogt med egen kerne
• Tilføj HistogramIntersectionKernel (tak Koen van de Sande for plaster)
• Matlab 2010a support
• SpectrumMismatchRBFKernel modulære support (tak Rob Patro for plaster)
• Tilføj ZeroMeanCenterKernelNormalizer (tak Gorden Jemwa for plaster)
• Swig 2.0 support
• Fejlrettelser:
• tilpassede kerner kan nu være & gt; 4G (tak Koen van de Sande for plaster)
• sæt C locale ved opstart i init_shogun at forhindre incompatiblies med ascii flåd og fprintf
• Compile fix når henvisning optælling er deaktiveret
• Fix set_position_weights til WD kerne (rapporteret af Dave duVerle)
• Fix set_wd_weights til WD kerne.
• Fix crasher i SVMOcas (rapporteret af Yaroslav)
• Oprydning og API Ændringer:
• Omdøbt SVM_light / SVR_light til SVMLight etc.
• Fjern C præfiks foran ikke-Serializable klasse navne
• Drop CSimpleKernel og introducere CDotKernel som sin base klasse. På denne måde alle dot-produkt- baserede kerner kan påføres oven på DotFeatures og kun en enkelt gennemførelse af sådanne kerner er nødvendig.

Hvad er nyt i version 0.9.3:

• Features:
• Eksperimentel lp-norm MCMKL
• Nye Kerner: SpectrumRBFKernelRBF, SpectrumMismatchRBFKernel, WeightedDegreeRBFKernel
• WDK kerne understøtter aminosyrer
• String funktioner understøtter nu tilføje operationer (og oprettelse af
• python-dbg support
• Tillad flåd som input til egen kerne (og matricer & gt; 4GB i størrelse)
• Fejlrettelser:
• Statisk forbinder fix.
• Fix sparsomme lineære kernens add_to_normal
• Oprydning og API Ændringer:
• Fjern init () funktionen i resultater Foranstaltninger
• Juster .so suffiks for python og bruge Python distutils at finde ud af at installere stier

Hvad er nyt i version 0.9.2:

• Features:
• Direkte læsning og skrivning af ASCII / binære filer / HDF5 baserede filer.
• Gennemført multi opgave kerne normalizer.
• Implement SNP-kernen.
• Implementere frist for libsvm / libsvr.
• Integrer Elastic Net MKL (tak Ryoata Tomioka for plaster).
• Implementere hashed WD Features.
• Implementere hashed Sparse Poly Features.
• Integrer liblinear 1,51
• LibSVM kan nu trænet med partiskhed slået fra.
• Tilføj funktioner til at indstille / få globale og lokale io / parallel / ... objekter.
• Fejlrettelser:
• Fix set_w () for lineære klassificører.
• Static Octave, Python, Cmdline og Modular Python interfaces Udarbejde rent under Windows / Cygwin igen.
• I statiske grænseflader test kunne fejle når ikke direkte gjort efter træning.