англійськафранцузькийіспанська

Запуск серверів | Ubuntu > | Fedora > |


Значок OnWorks

Python Outlier Detection download for Linux

Безкоштовно завантажте програму Python Outlier Detection для Linux, щоб працювати онлайн в Ubuntu онлайн, Fedora онлайн або Debian онлайн

Це програма для Linux під назвою Python Outlier Detection, останню версію якої можна завантажити як V0.9.7AddECOD.zip. Його можна запустити в режимі онлайн за допомогою безкоштовного хостинг-провайдера OnWorks для робочих станцій.

Завантажте та запустіть онлайн цю програму під назвою Python Outlier Detection з OnWorks безкоштовно.

Дотримуйтесь цих інструкцій, щоб запустити цю програму:

- 1. Завантажив цю програму на свій ПК.

- 2. Введіть у наш файловий менеджер https://www.onworks.net/myfiles.php?username=XXXXX із потрібним ім'ям користувача.

- 3. Завантажте цю програму в такий файловий менеджер.

- 4. Запустіть онлайн-емулятор OnWorks Linux або Windows або онлайн-емулятор MACOS з цього веб-сайту.

- 5. З ОС OnWorks Linux, яку ви щойно запустили, перейдіть до нашого файлового менеджера https://www.onworks.net/myfiles.php?username=XXXXX з потрібним іменем користувача.

- 6. Завантажте програму, встановіть її та запустіть.

ЕКРАНИ

Ad


Виявлення викидів Python


ОПИС

PyOD — це повний і масштабований набір інструментів Python для виявлення віддалених об’єктів у багатоваріантних даних. Це захоплююче, але складне поле зазвичай називають виявленням викидів або виявленням аномалій. PyOD включає більше 30 алгоритмів виявлення, від класичного LOF (SIGMOD 2000) до останнього COPOD (ICDM 2020) і SUOD (MLSys 2021). З 2017 року PyOD [AZNL19] успішно використовується в численних академічних дослідженнях та комерційних продуктах [AZHC+21, AZNHL19]. PyOD має кілька моделей на основі нейронних мереж, наприклад, AutoEncoders, які реалізовані як у PyTorch, так і в Tensorflow. PyOD містить кілька моделей, які також існують у scikit-learn. Можна навчати та прогнозувати за допомогою великої кількості моделей виявлення в PyOD, використовуючи структуру SUOD. Для вибраних алгоритмів надається еталон, щоб надати огляд реалізованих моделей. Загалом для порівняння використовується 17 контрольних наборів даних, які можна завантажити на сайті ODDS.



риси

  • Уніфіковані API, детальна документація та інтерактивні приклади різних алгоритмів
  • Розширені моделі, зокрема класичні від scikit-learn, новітні методи глибокого навчання та новітні алгоритми, як-от COPOD
  • Оптимізована продуктивність за допомогою JIT і розпаралелювання, якщо це можливо, за допомогою numba і joblib
  • Швидке навчання та прогнозування з SUOD
  • Сумісний з Python 2 і 3
  • Індивідуальні алгоритми виявлення


Мова програмування

Python



Це додаток, який також можна отримати з https://sourceforge.net/projects/python-outlier-detect.mirror/. Його розміщено в OnWorks, щоб його можна було запустити в Інтернеті найпростішим способом з однієї з наших безкоштовних операційних систем.


Ad


Ad