این یک برنامه ویندوزی به نام Active Learning است که آخرین نسخه آن را می‌توانید با نام active-learningsourcecode.tar.gz دانلود کنید. می‌توانید آن را به صورت آنلاین در ارائه دهنده هاست رایگان OnWorks برای ایستگاه‌های کاری اجرا کنید.
این برنامه با نام Active Learning with OnWorks را به صورت رایگان دانلود و اجرا کنید.
برای اجرای این برنامه این دستورالعمل ها را دنبال کنید:
- 1. این برنامه را در رایانه شخصی خود دانلود کنید.
- 2. در فایل منیجر ما https://www.onworks.net/myfiles.php?username=XXXXX نام کاربری مورد نظر خود را وارد کنید.
- 3. این برنامه را در چنین فایل منیجر آپلود کنید.
- 4. هر شبیه ساز آنلاین OS OnWorks را از این وب سایت راه اندازی کنید، اما شبیه ساز آنلاین ویندوز بهتر است.
- 5. از OnWorks Windows OS که به تازگی راه اندازی کرده اید، به مدیر فایل ما https://www.onworks.net/myfiles.php?username=XXXXX با نام کاربری که می خواهید بروید.
- 6. برنامه را دانلود و نصب کنید.
- 7. Wine را از مخازن نرم افزار توزیع لینوکس خود دانلود کنید. پس از نصب، می توانید روی برنامه دوبار کلیک کنید تا آنها را با Wine اجرا کنید. همچنین می توانید PlayOnLinux را امتحان کنید، یک رابط کاربری فانتزی بر روی Wine که به شما کمک می کند برنامه ها و بازی های محبوب ویندوز را نصب کنید.
Wine راهی برای اجرای نرم افزار ویندوز بر روی لینوکس است، اما بدون نیاز به ویندوز. Wine یک لایه سازگار با ویندوز منبع باز است که می تواند برنامه های ویندوز را مستقیماً بر روی هر دسکتاپ لینوکس اجرا کند. اساساً، Wine در تلاش است تا به اندازه کافی از ویندوز را از ابتدا مجدداً پیاده سازی کند تا بتواند همه آن برنامه های ویندوز را بدون نیاز به ویندوز اجرا کند.
یادگیری فعال
DESCRIPTION:
یادگیری فعال یک چارچوب تحقیقاتی مبتنی بر پایتون است که توسط گوگل برای آزمایش و محک زدن الگوریتم‌های مختلف یادگیری فعال توسعه داده شده است. این چارچوب ابزارهای ماژولاری را برای اجرای آزمایش‌های تکرارپذیر در مجموعه داده‌های مختلف، استراتژی‌های نمونه‌برداری و مدل‌های یادگیری ماشین ارائه می‌دهد. این سیستم به محققان اجازه می‌دهد تا بررسی کنند که چگونه مدل‌ها می‌توانند با پرس‌وجوی انتخابی از آموزنده‌ترین نقاط داده به جای تکیه بر مجموعه‌های آموزشی با نمونه‌گیری یکنواخت، کارایی برچسب‌گذاری را بهبود بخشند. اجراکننده اصلی آزمایش (run_experiment.py) از طیف گسترده‌ای از پیکربندی‌ها، از جمله اندازه‌های دسته‌ای، زیرمجموعه‌های مجموعه داده‌ها، انتخاب مدل و گزینه‌های پیش‌پردازش داده پشتیبانی می‌کند. این چارچوب شامل چندین استراتژی یادگیری فعال تثبیت‌شده مانند نمونه‌برداری عدم قطعیت، انتخاب حریصانه مرکز k و روش‌های مبتنی بر راهزن است، در حالی که امکان پیاده‌سازی الگوریتم‌های سفارشی را نیز فراهم می‌کند. این چارچوب با هر دو مدل یادگیری ماشین کلاسیک (SVM، رگرسیون لجستیک) و شبکه‌های عصبی ادغام می‌شود.
امکانات
- چارچوب آزمایش مدولار برای تحقیقات یادگیری فعال
- پشتیبانی از مجموعه داده‌ها و مدل‌های متعدد از جمله SVMها، رگرسیون لجستیک و CNNها
- انواع استراتژی‌های یادگیری فعال مانند نمونه‌گیری حاشیه‌ای و الگوریتم حریصانه k-مرکزی را پیاده‌سازی می‌کند.
- امکان پیکربندی انعطاف‌پذیر پارامترهایی مانند اندازه دسته، نسبت شروع گرم و کنترل نویز را فراهم می‌کند.
- ادغام آسان مدل‌ها و روش‌های نمونه‌برداری جدید از طریق یک API قابل توسعه
- ابزارهای جامع بنچمارک و تحلیل را برای مقایسه تجربی ارائه می‌دهد.
زبان برنامه نویسی
پــایتــون
دسته بندی ها
این برنامه‌ای است که می‌توان آن را از https://sourceforge.net/projects/active-learning.mirror/ نیز دریافت کرد. این برنامه در OnWorks میزبانی شده است تا بتوان آن را به ساده‌ترین روش به صورت آنلاین از یکی از سیستم‌های عامل رایگان ما اجرا کرد.