SHOGUN

SHOGUN ist eine Open Source Software-Projekt von der Offset entworfen, um eine Maschinenlernen Toolbox im großen Maßstab Kernel-Methoden ziel bieten und speziell für die Support Vector Machines (SVM) konzipiert. Die Software kann leicht aus verschiedenen Programmiersprachen, darunter C, C ++, Python, Octave, Matlab, Java, C #, Ruby, Lua, UNIX Shell und R. verwendet werden
Die Anwendung bietet eine Standard-SVM (Support Vector Machines) Objekt, das mit verschiedenen Implementierungen SVM-Schnittstelle können. Es enthält auch viele lineare Methoden wie Linear Programming Machine (LPM), Lineare Diskriminanzanalyse (LDA), (Kernel) Perceptrons, sowie einige Algorithmen, die verwendet werden können, um zu trainieren Hidden-Markov-models.Features werden auf einen glanceKey Features sind ein Klasse Einstufung, Klassenkombinationen Klassifikation, Regression, strukturierte Ausgabe Lernen, Vorverarbeitung, integrierte Modellauswahlstrategien, Testrahmen, groß angelegte Lernunterstützung, Multitasking zu lernen, Ihr Domain-Anpassung, Serialisierung, parallelisiert Code, Leistungsmessungen, Kernel Firstregressions, Vektor- Regression Unterstützung und Gauß-Prozesse.
Zusätzlich unterstützt es mehrere Kernel-Lernen, einschließlich q-Norm MKL und Klassenkombinationen MKL, unterstützt die Naive Bayes, logistische Regression, Lasso, k-NN und Gaussian Process Classification Klassifizierer, unterstützt die lineare Programmierung Maschine, LDA, Markov-Ketten, Hidden-Markov-Modellen, PCA, Kernel-PCA, Isomap, multidimensionale Skalierung, lokal lineare Einbettung, Diffusions Karte, lokale Tangentialraum Ausrichtung sowie Laplace eigenmaps.
Darüber hinaus verfügt es über Barnes-Hut-T-ANS-Unterstützung, Kernel normalizer, Sigmoid Kernel, string Kerne, Polynom, lineare und Gauß-Kernels, hierarchisches Clustering, k-means, BFGS Optimierung, Gradientenabstieg, Bindungen zu CPLEX, Bindungen zu Mosek, Label Folge Lernen, Faktorgraph Lernen, SO-SGD, latente SO-SVM und spärliche Daten representation.Under der Haube und availabilitySHOGUN wird stolz in der Python und C ++ Programmiersprachen geschrieben, was bedeutet, dass es & rsquo; s kompatibel mit jedem GNU / Linux-Betriebssystem wo Python und GCC existieren. Es steht zum Download als Universalsourcecode verfügbar, so dass Sie es auf jedem Linux-Kernel basierendes Betriebssystem zu installieren

Was ist neu in dieser Pressemitteilung:.

• Features:
• Volle Unterstützung python3 jetzt
• Fügen Sie Mini-Batch-k-means [Parijat Mazumdar]
• hinzufügen k-means ++ [Parijat Mazumdar]
• Fügen Unterfolge Zeichenfolge kernel [lambday]
• Bugfixes:
• Übersetzen Korrekturen zu den kommenden swig3.0
• Speedup für Gauß-Prozess "apply ()
• Verbesserte Einheit / Integrationstest prüft
• libbmrm nicht initialisierten Speicher liest
• libocas nicht initialisierten Speicher liest
• Octave 3.8 kompilieren Fixes [Orion Poplawski]
• Fix java modulare Compiler-Fehler [Björn Esser]

Was ist neu in Version 3.1.1:

• Fix kompilieren Fehler mit CXX0X auftretenden
• Bump Datenversion zu benötigten Version

Was ist neu in Version 3.1.0:

• Diese Version enthält hauptsächlich Bugfixes, sondern auch Funktionserweiterungen .
• Am wichtigsten ist, eine Reihe von Speicherlecks im Zusammenhang mit apply () wurden behoben.
• Schreiben und Lesen von Shogun Features wie protobuf Objekten ist nun möglich.
• angepassten Kernels Matrizen können nun 2 ^ 31-1 * 2 ^ 31-1 in der Größe.
• Multiclass ipython Notebooks zugegeben und die anderen verbessert.
• Leave-one-out Kreuzvalidierung ist jetzt bequem unterstützt.

Was ist neu in der Version 2.0.0:

• Es enthält alles, was die vor durchgeführt wurde und während des Google Summer of Code 2012.
• Die Studierenden wurden verschiedene neue Funktionen wie strukturierten Ausgabe Lernen, Gaußsche Prozesse, latente Variable SVM (und strukturierte Ausgabe Lernen), statistische Tests in Kernel reproduzieren Räume, verschiedene Multitask-Lernverfahren und verschiedene Usability-Verbesserungen implementiert, um einige zu nennen.

Was ist neu in Version 1.1.0:

• Diese Version wurde das Konzept der "Konverter", die ermöglicht es Ihnen, Einbettungen beliebige Funktionen zu konstruieren.
• Es enthält auch ein paar neue Reduktionstechniken und signifikante Performance-Verbesserungen in der Dimensionsreduktion Toolkit.
• Weitere Verbesserungen umfassen eine signifikante Zusammenstellung Beschleunigung, diverse Bugfixes für modulare Schnittstellen und Algorithmen und verbesserte Cygwin, Mac OS X und Klang ++ Kompatibilität.
• Fragen Github ist nun für die Verfolgung von Fehlern und Problemen, verwendet.

Was ist neu in der Version 1.0.0:

• Diese Version kennzeichnet Schnittstellen, neue Sprachen, darunter Java, C #, Ruby und Lua, eine Modellauswahlrahmen, viele Reduktionstechniken, Gaussian Mixture Model Schätzung und ein vollwertiges Online-Learning-Framework.

Was ist neu in der Version 0.10.0:

• Features:
• Serialisierung von Objekten, die aus CSGObject, dh alle Shogun Objekte (SVM, Kernel, Features, Präprozessoren, ...) als ASCII, JSON, XML und HDF5
• erstellen SVMLightOneClass
• Fügen CustomDistance analog angepassten Kernel
• HistogramIntersectionKernel hinzufügen (dank Koen van de Sande für den Patch)
• Matlab 2010a-Unterstützung
• SpectrumMismatchRBFKernel modulare Unterstützung (durch Rob Patro für den Patch)
• Fügen ZeroMeanCenterKernelNormalizer (dank Gorden Jemwa für den Patch)
• Schluck 2.0-Unterstützung
• Bugfixes:
• Benutzerdefinierte Kernel kann nun & gt; 4G (dank Koen van de Sande für den Patch)
• Set für locale C beim Start in init_shogun zu incompatiblies mit ascii Schwimmer und fprintf verhindern
• Übersetzen fix, wenn der Referenzzählung ist deaktiviert
• Fix set_position_weights für wd Kernel (von Dave duVerle berichtete)
• Fix set_wd_weights für wd Kernel.
• Fix crasher in SVMOcas (durch Yaroslav berichtete)
• Cleanup und API-Änderungen:
• umbenannt SVM_light / SVR_light zu SVMLight etc.
• entfernen C Präfix vor nicht serialisierbare Klassennamen
• Drop CSimpleKernel und CDotKernel vorstellen als Basisklasse. So können alle Skalarprodukt-basierte Kernel kann oben auf DotFeatures und nur eine einzige Durchführung für solche Kerne aufgebracht werden benötigt.

Was ist neu in Version 0.9.3:

• Features:
• Experimental lp-Norm MCMKL
• New Kernel: SpectrumRBFKernelRBF, SpectrumMismatchRBFKernel, WeightedDegreeRBFKernel
• WDK-Kernel unterstützt Aminosäuren
• String Funktionen unterstützen jetzt anhängen Operationen (und Erstellung von
• python-dbg Unterstützung
• Lassen Schwimmer als Input für die eigenen Kernel (und Matrizen & gt; 4 GB Größe)
• Bugfixes:
• Statische Verknüpfung fix.
• Fix die dünn besetzter linearer Kernel add_to_normal
• Cleanup und API-Änderungen:
• Entfernen Sie init () Funktion in Steuerungsgrößen
• Stellen Sie .so-Suffix für Python und Python verwenden distutils um herauszufinden, Installationspfade

Was ist neu in Version 0.9.2:

• Features:
• Direkt Lesen und Schreiben von ASCII / Binär-Dateien / HDF5 basierte Dateien.
• Implementiert multi Aufgabe Kernel normalizer.
• Implementieren SNP-Kernel.
• Implementieren Frist für LIBSVM / libsvr.
• Integrieren Elastic Net MKL (dank Ryoata Tomioka für den Patch).
• Implementieren Hashed WD Funktionen.
• Implementieren Hashed Sparse Poly Eigenschaften.
• Integrieren liblinear 1,51
• LibSVM können nun mit Tendenz deaktiviert geschult werden.
• Fügen Sie Funktionen zu setzen / zu globalen und lokalen io / parallel / ... Objekte.
• Bugfixes:
• Fix set_w () für lineare Klassifikatoren.
• Static Octave, kompilieren Python, Cmdline und Modular Python Schnittstellen sauber unter Windows / Cygwin erneut.
• In statischen Schnittstellen Tests fehlschlagen, wenn nicht direkt nach dem Training. Getan