SHOGUN

СЁГУН является открытым исходным кодом проекта разработан с смещение, чтобы обеспечить машинного обучения инструментов, ориентированных на масштабных методов крупных ядра, и специально разработан для опорных векторов (SVM). Программное обеспечение может быть легко использованы изнутри различных языках программирования, включая C, C ++, Python, Octave, Matlab, Java, C #, Ruby, Lua, UNIX Shell, и R.
Приложение предлагает стандартный SVM (метод опорных векторов машины) объект, который может взаимодействовать с различными реализациями SVM. Он также включает в себя множество линейных методов, таких как линейного программирования машины (ЛПМ), линейный дискриминантный анализ (ЛДА), (ядро) Перцептроны, а также некоторые алгоритмы, которые могут быть использованы для подготовки скрыта Марков models.Features в течение glanceKey функции включают в себя один класс классификации, мультиклассируют классификации, регрессии, структурированный выход обучения, предварительной обработки, встроенные в модели стратегии отбора, тестирования рамки, крупномасштабная поддержка обучения, в многозадачном режиме обучения, адаптации домена, сериализация, распараллеливание кода, показатели эффективности, хребет ядра регрессии, вектор Поддержка регрессии и гауссовские процессы.
Кроме того, он поддерживает несколько обучения ядра, в том числе д-нормой МКЛ и мультиклассируют МКЛ, поддерживает наивных Байеса, логистическая регрессия, лассо, K NN-и гауссовского процесса Классификация классификаторы, поддерживает линейное программирование машины, цепи LDA, Марков, скрытые модели Маркова, СПС, СПС ядра, Isomap, многомерное шкалирование, локально линейное вложение, диффузия карта, местный выравнивание касательное пространство, а также Лапласа eigenmaps.
Кроме того, она имеет Барнс-Хат T-SNE поддержку, нормализатор ядра, сигмовидной ядро, струнные ядра, полином, линейный и гауссовой ядра, иерархическую кластеризацию, K-средства, оптимизация BFGS, градиентный спуск, привязки к CPLEX, привязки к Mosek, этикетки Обучение последовательность, коэффициент обучения граф, ТАК SGD, скрытая ТАК-СВМ и редкие данные representation.Under капотом и availabilitySHOGUN гордо написано в Python и C ++ языков программирования, что означает, что он и Rsquo; s совместим с любой операционной системой GNU / Linux где существует Python и GCC. Он доступен для скачивания в виде архива универсального источника, так что вы можете установить его на любой Linux на базе ядра операционной системы

Что нового В этом выпуске:.

• Особенности:
• Полная поддержка в настоящее время python3
• Добавить мини-пакетные K-средства [Parijat Мазумдар]
• Добавить к-средства ++ [Parijat Мазумдар]
• Добавить подпоследовательность строка ядра [lambday]
• Исправления:
• компиляция исправлений для предстоящего swig3.0
• Ускорение процесса для гауссовских "применить ()
• Улучшение блок / тест проверяет интеграция
• читает libbmrm неинициализированными памяти
• libocas неинициализированной памяти читает
• Октава 3.8 компиляции исправления [Орион Поплавский]
• Исправлена ​​ошибка обращения Java модульная компиляции [Бьорн Эссер]

Что нового в версии 3.1.1:

• Fix ошибка компиляции происходит с CXX0X
• Bump версию данных до требуемого версии

Что нового в версии 3.1.0:

• Эта версия содержит исправления в основном, но также есть усовершенствования .
• Самое важное, пара утечек памяти, связанных с применить () были исправлены.
• Написание и чтение функций сегун, как protobuf объектов теперь можно.
• Пользовательские ядра Матрицы теперь можно ^ 31-1 2 * 2 ^ 31-1 в размере.
• ноутбуки мультиклассируют IPython были добавлены, а остальные улучшились.
• Оставьте один-из crossvalidation теперь удобно поддерживается.

Что нового в версии 2.0.0:

• Это включает в себя все, что было проведено до и во время Google Summer Кодекса 2012 года.
• Студенты внедрили различные новые функции, такие как структурированное выходного обучения, гауссовских процессов, скрытой переменной SVM (и структурированной выходного обучения), статистических испытаний в воспроизводящим ядром пространства, различных алгоритмов многозадачности обучения и различных улучшений юзабилити, чтобы назвать несколько.

Что нового в версии 1.1.0:

• Эта версия ввел понятие «преобразователей», которая позволяет построить вложения произвольных функций.
• Это также включает в себя несколько новых методов сокращения размерности и значительное повышение производительности в инструментария сокращения размерности.
• Другие улучшения включают существенное компиляции ускорение, различные исправления для модульных интерфейсов и алгоритмов, а также улучшение Cygwin, Mac OS X, и лязг ++ совместимость.
• Github Вопросы настоящее время используется для отслеживания ошибок и проблем.

Что нового в версии 1.0.0:

• Эта версия отличается интерфейсы для новых языков, включая Java, C #, Ruby, Lua и, рамки выбора модели, многие методы снижения размерности, Gaussian оценка Смесь Модель и структура полноценный онлайн обучение.

Что нового в версии 0.10.0:

• Особенности:
• Сериализация объектов, вытекающих из CSGObject, то есть все объекты Shogun (SVM, ядра, Особенности, Препроцессоры, ...), а ASCII, JSON, XML и HDF5
• Создать SVMLightOneClass
• Добавить CustomDistance по аналогии с ядром,
• Добавить HistogramIntersectionKernel (спасибо Коэн ван де Санде для патча)
• поддержка Matlab 2010a
• SpectrumMismatchRBFKernel модульная поддержка (спасибо Роб Патро для патча)
• Добавить ZeroMeanCenterKernelNormalizer (спасибо Gorden Jemwa для патча)
• поддержка глоток 2.0
• Исправления:
• Пользовательские ядра теперь можно и GT; 4G (спасибо Коэн ван де Санде для патча)
• Набор С языковой при запуске в init_shogun предотвращения incompatiblies с ASCII поплавков и fprintf
• Компиляция исправить, когда подсчет ссылок отключена
• Fix set_position_weights для WD ядра (отчетный Дэйв duVerle)
• Fix set_wd_weights для WD ядра.
• Исправлена ​​грохот в SVMOcas (по сообщению Ярослава)
• Очистка и API Изменения:
• Переименован SVM_light / SVR_light в SVMLight и др.
• Удалить C префикс перед именами несериализуемых класса
• Падение CSimpleKernel и ввести CDotKernel в качестве своего базового класса. Таким образом, все ядра на основе скалярного произведения может быть нанесен поверх DotFeatures и только одной реализации для таких ядер не требуется.

Что нового в версии 0.9.3:

• Особенности:
• Экспериментальная LP-норма MCMKL
• Новые ядра: SpectrumRBFKernelRBF, SpectrumMismatchRBFKernel, WeightedDegreeRBFKernel
• WDK ядро ​​поддерживает аминокислоты
• Струнные Особенности теперь поддерживает добавление операции (и создание
• Поддержка Python-DBG
• Разрешить поплавки в качестве входных для ядра (и матрицы & GT; 4GB в размере)
• Исправления:
• Статическая линковка исправить.
• Fix add_to_normal Разреженные линейные ядра
• Очистка и API Изменения:
• Удалить функцию Init () в мерах эффективности
• Adjust .so суффикс питона и использовать питона Distutils, чтобы выяснить, установить пути

Что нового в версии 0.9.2:

• Особенности:
• Прямая чтения и записи файлов на основе ASCII / двоичных файлов / hdf5.
• Реализовано несколько нормализатор ядра задачей.
• Реализовать ядро ​​SNP.
• Реализация лимит времени для libsvm / libsvr.
• Интеграция эластичная сетка МКЛ (спасибо Ryoata Томиока для патча).
• Реализация хешированного WD Особенности.
• Реализация HASHED Особенности Редкие Poly.
• Интеграция liblinear 1,51
• LibSVM теперь могут быть обучены с уклоном отключена.
• Добавить функции, чтобы установить / получить глобальное и локальное IO / параллельно / ... объекты.
• Исправления:
• Исправлена ​​set_w () для линейных классификаторов.
• Статический Октав, интерфейсы Python, CmdLine модульная Python Компиляция чисто под Windows / Cygwin снова.
• В статических интерфейсов тестирование может не если не непосредственно сделано после тренировки.