این برنامه ویندوزی MLJAR Studio نام دارد که آخرین نسخه آن را می‌توانید با نسخه ۱.۱.۱۸sourcecode.tar.gz دانلود کنید. می‌توانید آن را به صورت آنلاین در ارائه دهنده خدمات میزبانی وب رایگان OnWorks برای ایستگاه‌های کاری اجرا کنید.
این برنامه با نام MLJAR Studio 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.
اسکرین شات ها:
استودیو MLJAR
DESCRIPTION:
ما در حال کار بر روی روش جدیدی برای برنامه‌نویسی بصری هستیم. ما یک برنامه دسکتاپ به نام MLJAR Studio توسعه داده‌ایم. این یک محیط توسعه مبتنی بر نوت‌بوک با دستورالعمل‌های کد تعاملی و یک محیط پایتون مدیریت‌شده است. همه به صورت محلی روی دستگاه شما اجرا می‌شوند. منتظر بازخورد شما هستیم. mljar-supervised یک بسته پایتون برای یادگیری ماشین خودکار است که با داده‌های جدولی کار می‌کند. این بسته برای صرفه‌جویی در زمان برای یک دانشمند داده طراحی شده است. این بسته، روش رایج پیش‌پردازش داده‌ها، ساخت مدل‌های یادگیری ماشین و انجام تنظیم فراپارامتر برای یافتن بهترین مدل را خلاصه می‌کند. این یک جعبه سیاه نیست، زیرا می‌توانید دقیقاً ببینید که خط لوله یادگیری ماشین چگونه ساخته می‌شود (با یک گزارش دقیق Markdown برای هر مدل یادگیری ماشین).
امکانات
- از الگوریتم‌های زیادی استفاده می‌کند: خط پایه، خطی، جنگل تصادفی، درختان اضافی، LightGBM، Xgboost، CatBoost، شبکه‌های عصبی و نزدیکترین همسایگان
- می‌تواند Ensemble را بر اساس یک الگوریتم حریصانه از مقاله Caruana محاسبه کند.
- می‌تواند مدل‌ها را روی هم قرار دهد تا یک مجموعه سطح ۲ بسازد (در حالت Compete یا پس از تنظیم پارامتر stack_models موجود است)
- می‌تواند پیش‌پردازش ویژگی‌ها، مانند جانهی مقادیر گمشده و تبدیل دسته‌بندی‌ها را انجام دهد. علاوه بر این، می‌تواند پیش‌پردازش مقادیر هدف را نیز مدیریت کند.
- می‌تواند مهندسی ویژگی‌های پیشرفته، مانند ویژگی‌های طلایی، انتخاب ویژگی‌ها، تبدیل‌های متن و زمان را انجام دهد.
- می‌تواند ابرپارامترها را با یک الگوریتم جستجوی نه چندان تصادفی (جستجوی تصادفی روی مجموعه‌ای از مقادیر تعریف‌شده) و تپه‌نوردی برای تنظیم دقیق مدل‌های نهایی تنظیم کند.
- می‌تواند خط پایه را برای داده‌های شما محاسبه کند تا بدانید که آیا به یادگیری ماشینی نیاز دارید یا خیر.
زبان برنامه نویسی
پــایتــون
دسته بندی ها
این برنامه‌ای است که می‌توان آن را از https://sourceforge.net/projects/mljar-studio.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.