Ito ang Windows app na pinangalanang Active Learning na ang pinakabagong release ay maaaring ma-download bilang active-learningsourcecode.tar.gz. Maaari itong patakbuhin online sa libreng hosting provider na OnWorks para sa mga workstation.
I-download at patakbuhin online ang app na ito na pinangalanang Active Learning sa OnWorks nang libre.
Sundin ang mga tagubiling ito upang patakbuhin ang app na ito:
- 1. Na-download ang application na ito sa iyong PC.
- 2. Ipasok sa aming file manager https://www.onworks.net/myfiles.php?username=XXXXX kasama ang username na gusto mo.
- 3. I-upload ang application na ito sa naturang filemanager.
- 4. Magsimula ng anumang OS OnWorks online emulator mula sa website na ito, ngunit mas mahusay na Windows online emulator.
- 5. Mula sa OnWorks Windows OS na kasisimula mo pa lang, pumunta sa aming file manager https://www.onworks.net/myfiles.php?username=XXXX gamit ang username na gusto mo.
- 6. I-download ang application at i-install ito.
- 7. I-download ang Wine mula sa iyong mga Linux distributions software repository. Kapag na-install na, maaari mong i-double click ang app upang patakbuhin ang mga ito gamit ang Wine. Maaari mo ring subukan ang PlayOnLinux, isang magarbong interface sa ibabaw ng Wine na tutulong sa iyong mag-install ng mga sikat na programa at laro sa Windows.
Ang alak ay isang paraan upang patakbuhin ang software ng Windows sa Linux, ngunit walang kinakailangang Windows. Ang alak ay isang open-source na layer ng compatibility ng Windows na maaaring direktang magpatakbo ng mga program sa Windows sa anumang desktop ng Linux. Sa totoo lang, sinusubukan ng Wine na muling ipatupad ang sapat na Windows mula sa simula upang mapatakbo nito ang lahat ng mga Windows application na iyon nang hindi talaga nangangailangan ng Windows.
Aktibong pag-aaral
DESCRIPTION:
Ang Active Learning ay isang Python-based na balangkas ng pananaliksik na binuo ng Google para sa pag-eksperimento at pag-benchmark ng iba't ibang mga algorithm ng aktibong pag-aaral. Nagbibigay ito ng mga modular na tool para sa pagpapatakbo ng mga reproducible na eksperimento sa iba't ibang dataset, diskarte sa pag-sample, at machine learning na modelo. Binibigyang-daan ng system ang mga mananaliksik na pag-aralan kung paano mapapahusay ng mga modelo ang kahusayan sa pag-label sa pamamagitan ng piling pag-query ng mga pinakamaraming punto ng data sa halip na umasa sa mga pare-parehong na-sample na set ng pagsasanay. Sinusuportahan ng pangunahing runner ng eksperimento (run_experiment.py) ang malawak na hanay ng mga configuration, kabilang ang mga laki ng batch, mga subset ng dataset, pagpili ng modelo, at mga opsyon sa preprocessing ng data. Kabilang dito ang ilang itinatag na mga aktibong diskarte sa pag-aaral tulad ng uncertainty sampling, k-center greedy selection, at bandit-based na mga pamamaraan, habang pinapayagan din ang mga custom na pagpapatupad ng algorithm. Sumasama ang framework sa parehong mga klasikal na modelo ng machine learning (SVM, logistic regression) at mga neural network.
Mga tampok
- Modular experimentation framework para sa aktibong pananaliksik sa pag-aaral
- Sinusuportahan ang maramihang mga dataset at modelo kabilang ang mga SVM, logistic regression, at CNN
- Nagpapatupad ng iba't ibang mga aktibong diskarte sa pag-aaral tulad ng margin sampling at k-center greedy
- Nagbibigay-daan sa flexible na configuration ng mga parameter gaya ng laki ng batch, warm start ratio, at noise control
- Madaling pagsasama-sama ng mga bagong modelo at pamamaraan ng sampling sa pamamagitan ng isang napapalawak na API
- Nagbibigay ng komprehensibong benchmarking at mga tool sa pagsusuri para sa pang-eksperimentong paghahambing
Wika ng Programming
Sawa
Kategorya
Ito ay isang application na maaari ding makuha mula sa https://sourceforge.net/projects/active-learning.mirror/. Na-host ito sa OnWorks upang mapatakbo online sa pinakamadaling paraan mula sa isa sa aming mga libreng Operative System.