Si tratta dell'app per Windows denominata Active Learning, la cui ultima versione può essere scaricata come active-learningsourcecode.tar.gz. Può essere eseguita online sul provider di hosting gratuito OnWorks per workstation.
Scarica ed esegui online gratuitamente questa app denominata Active Learning with OnWorks.
Segui queste istruzioni per eseguire questa app:
- 1. Scaricata questa applicazione sul tuo PC.
- 2. Entra nel nostro file manager https://www.onworks.net/myfiles.php?username=XXXXX con il nome utente che desideri.
- 3. Carica questa applicazione in tale file manager.
- 4. Avvia qualsiasi emulatore online OS OnWorks da questo sito Web, ma migliore emulatore online Windows.
- 5. Dal sistema operativo OnWorks Windows che hai appena avviato, vai al nostro file manager https://www.onworks.net/myfiles.php?username=XXXXX con il nome utente che desideri.
- 6. Scarica l'applicazione e installala.
- 7. Scarica Wine dai repository software delle tue distribuzioni Linux. Una volta installato, puoi quindi fare doppio clic sull'app per eseguirli con Wine. Puoi anche provare PlayOnLinux, un'interfaccia fantasiosa su Wine che ti aiuterà a installare programmi e giochi Windows popolari.
Wine è un modo per eseguire il software Windows su Linux, ma senza Windows richiesto. Wine è un livello di compatibilità Windows open source in grado di eseguire programmi Windows direttamente su qualsiasi desktop Linux. Essenzialmente, Wine sta cercando di re-implementare abbastanza Windows da zero in modo che possa eseguire tutte quelle applicazioni Windows senza effettivamente bisogno di Windows.
Apprendimento attivo
DESCRIZIONE:
Active Learning è un framework di ricerca basato su Python sviluppato da Google per sperimentare e confrontare diversi algoritmi di apprendimento attivo. Fornisce strumenti modulari per eseguire esperimenti riproducibili su diversi set di dati, strategie di campionamento e modelli di apprendimento automatico. Il sistema consente ai ricercatori di studiare come i modelli possano migliorare l'efficienza di etichettatura interrogando selettivamente i punti dati più informativi anziché affidarsi a set di addestramento campionati in modo uniforme. L'esecutore principale dell'esperimento (run_experiment.py) supporta un'ampia gamma di configurazioni, tra cui dimensioni dei batch, sottoinsiemi di set di dati, selezione del modello e opzioni di pre-elaborazione dei dati. Include diverse strategie di apprendimento attivo consolidate come il campionamento dell'incertezza, la selezione greedy con k-centri e metodi basati su bandit, consentendo anche implementazioni di algoritmi personalizzati. Il framework si integra sia con i modelli di apprendimento automatico classici (SVM, regressione logistica) sia con le reti neurali.
Caratteristiche
- Quadro di sperimentazione modulare per la ricerca sull'apprendimento attivo
- Supporta più set di dati e modelli, inclusi SVM, regressione logistica e CNN
- Implementa una varietà di strategie di apprendimento attivo come il campionamento marginale e il k-center greedy
- Consente una configurazione flessibile di parametri quali dimensione del lotto, rapporto di avvio a caldo e controllo del rumore
- Facile integrazione di nuovi modelli e metodi di campionamento tramite un'API estensibile
- Fornisce strumenti completi di benchmarking e analisi per il confronto sperimentale
Linguaggio di programmazione
Python
Categorie
Questa applicazione può essere scaricata anche da https://sourceforge.net/projects/active-learning.mirror/. È ospitata su OnWorks per poter essere eseguita online nel modo più semplice da uno dei nostri sistemi operativi gratuiti.