Esta es la aplicación para Windows llamada Aprendizaje Activo, cuya última versión se puede descargar como active-learningsourcecode.tar.gz. Se puede ejecutar en línea en el proveedor de alojamiento gratuito OnWorks para estaciones de trabajo.
Descargue y ejecute en línea esta aplicación llamada Active Learning con OnWorks de forma gratuita.
Siga estas instrucciones para ejecutar esta aplicación:
- 1. Descargue esta aplicación en su PC.
- 2. Ingrese en nuestro administrador de archivos https://www.onworks.net/myfiles.php?username=XXXXX con el nombre de usuario que desee.
- 3. Cargue esta aplicación en dicho administrador de archivos.
- 4. Inicie cualquier emulador en línea de OS OnWorks desde este sitio web, pero mejor emulador en línea de Windows.
- 5. Desde el sistema operativo OnWorks Windows que acaba de iniciar, vaya a nuestro administrador de archivos https://www.onworks.net/myfiles.php?username=XXXXX con el nombre de usuario que desee.
- 6. Descarga la aplicación e instálala.
- 7. Descargue Wine desde los repositorios de software de sus distribuciones de Linux. Una vez instalada, puede hacer doble clic en la aplicación para ejecutarla con Wine. También puedes probar PlayOnLinux, una elegante interfaz sobre Wine que te ayudará a instalar programas y juegos populares de Windows.
Wine es una forma de ejecutar software de Windows en Linux, pero no requiere Windows. Wine es una capa de compatibilidad de Windows de código abierto que puede ejecutar programas de Windows directamente en cualquier escritorio de Linux. Esencialmente, Wine está tratando de volver a implementar una cantidad suficiente de Windows desde cero para poder ejecutar todas esas aplicaciones de Windows sin necesidad de Windows.
Aprendizaje activo
DESCRIPCIÓN:
Active Learning es un marco de investigación basado en Python, desarrollado por Google, para experimentar y evaluar diversos algoritmos de aprendizaje activo. Proporciona herramientas modulares para ejecutar experimentos reproducibles en diferentes conjuntos de datos, estrategias de muestreo y modelos de aprendizaje automático. El sistema permite a los investigadores estudiar cómo los modelos pueden mejorar la eficiencia del etiquetado consultando selectivamente los puntos de datos más informativos, en lugar de depender de conjuntos de entrenamiento muestreados uniformemente. El ejecutor principal de experimentos (run_experiment.py) admite una amplia gama de configuraciones, incluyendo tamaños de lote, subconjuntos de conjuntos de datos, selección de modelos y opciones de preprocesamiento de datos. Incluye varias estrategias de aprendizaje activo consolidadas, como el muestreo de incertidumbre, la selección voraz de k-centros y los métodos basados en bandit, a la vez que permite la implementación de algoritmos personalizados. El marco se integra tanto con modelos clásicos de aprendizaje automático (SVM, regresión logística) como con redes neuronales.
Caracteristicas
- Marco de experimentación modular para la investigación del aprendizaje activo
- Admite múltiples conjuntos de datos y modelos, incluidos SVM, regresión logística y CNN
- Implementa una variedad de estrategias de aprendizaje activo, como muestreo de margen y muestreo codicioso de centro k.
- Permite una configuración flexible de parámetros como el tamaño del lote, la relación de inicio en caliente y el control de ruido.
- Fácil integración de nuevos modelos y métodos de muestreo a través de una API extensible
- Proporciona herramientas integrales de evaluación comparativa y análisis para comparación experimental.
Lenguaje de programación
Python
Categorías
Esta aplicación también se puede descargar desde https://sourceforge.net/projects/active-learning.mirror/. Está alojada en OnWorks para facilitar su ejecución en línea desde uno de nuestros sistemas operativos gratuitos.