SHOGUN

Сьогун є відкритим проектом вихідним кодом розроблений з зсув, щоб забезпечити машинного навчання Toolbox, спрямовану на масштабних методів великих ядра, і спеціально розроблений для опорних векторів (SVM). Програмне забезпечення може бути легко використані зсередини різних мовах програмування, включаючи C, C ++, Python, Octave, Matlab, Java, C #, Ruby, Lua, UNIX Shell, і R.
Додаток пропонує стандартний SVM (метод опорних векторів машини) об'єкт, який може взаємодіяти з різними реалізаціями SVM. Він також включає в себе безліч лінійних методів, таких як лінійного програмування машини (ЛПМ), лінійний дискримінантний аналіз (LDA), (ядро) Перцептрони, а також деякі алгоритми, які можуть бути використані для підготовки прихованої марковської models.Features протягом glanceKey функції включають в себе один клас класифікація, мультіклассіруют класифікації, регресії, структурований вихід навчання, попередня обробка, вбудовані в модель стратегії відбору, тестування рамки, великомасштабна підтримка навчання, в багатозадачному режимі навчання, адаптація домена, сериализация, распараллеліть код, показники ефективності, хребет ядро ​​регресії, вектор підтримка регресії і гаусові процеси.
Крім того, він підтримує декілька навчання ядра, в тому числі д-норма МКЛ і мультіклассіруют МКЛ, підтримує наївний байесовский, логістична регресія, ласо, K NN-й гауссовского процесу класифікації класифікатори, підтримує лінійне програмування машини, ланцюги LDA, Марков, прихованих моделей Маркова, PCA, ядро ​​СПС, Isomap, багатовимірне шкалювання, локально лінійне вкладення, дифузія карта, Local Alignment дотичний простір, а також Лапласа eigenmaps.
Крім того, вона має Barnes-Hut T-SNE підтримку, нормалізатор ядра, сигмовидної ядро, String ядра, поліноміальний, лінійний і гауссова ядра, ієрархічної кластеризації, K-засоби, оптимізація BFGS, градієнтний спуск, прив'язки до CPLEX, прив'язки до Mosek, етикетки навчання послідовність, коефіцієнт навчання граф, SO-SGD, прихована SO-СВМ і рідкісні дані representation.Under капотом і availabilitySHOGUN гордо написано в Python і C ++ мов програмування, що означає, що він і Rsquo, S сумісні з будь операційній системі GNU / Linux де існують Python і GCC. Він доступний для скачування в архіві універсальне джерело, так що ви можете встановити його на будь Linux на базі ядра операційної системи

Що нового У цьому випуску :.

• Особливості:
• Повна підтримка python3 зараз
• Додати міні-пакетні К-середніх [Parijat Мазумдар]
• Додати до-засоби ++ [Parijat Мазумдар]
• Додати суб-послідовності рядків ядра [lambday]
• Виправлені помилки:
• Compile виправлення для майбутнього swig3.0
• Прискорення для гауссовского процесу "застосувати ()
• Поліпшення блок / інтеграційний тест перевіряє
• читає libbmrm неініціалізованої пам'яті
• libocas неініціалізованої пам'яті читає
• Октава 3,8 скласти виправлення [Orion Поплавський]
• Виправлена ​​помилка Java модульна компіляції [Bjoern Esser]

Що нового у версії 3.1.1:

• Fix помилка компіляції відбувається з CXX0X
• Bump версію даних до необхідної версії

Що нового у версії 3.1.0:

• Ця версія містить в основному виправлення, але і нових функцій, .
• Найголовніше, пара витоків пам'яті пов'язаних застосувати () були виправлені.
• Запис і зчитування особливостей сьогун як protobuf об'єктів тепер це можливо.
• Користувальницькі ядра матриці тепер можуть бути 2 ^ 31-1 * 2 ^ 31-1 в розмірах.
• Ноутбуки MultiClass IPython були додані, а решта покращився.
• Залишіть один вихід crossvalidation тепер зручно підтримується.

Що нового у версії 2.0.0:

• Вона включає в себе все, що було проведено до і під час Google Summer Кодексу 2012 року.
• Студенти здійснили ряд нових функцій, таких як структуроване вихідного навчання, гауссовских процесів, латентна змінна SVM (і структурованої вихідного навчання), статистичних випробувань в відтворюючих ядром простору, різні алгоритми багатозадачності, навчання і різних поліпшень юзабіліті, щоб назвати декілька.

Що нового у версії 1.1.0:

• Ця версія ввів поняття «перетворювачів», яка дозволяє побудувати вкладення довільних функцій.
• Це також включає в себе кілька нових методів зниження розмірності і значне підвищення продуктивності в Керівництві по скороченню розмірності.
• Інші поліпшення включають суттєве компіляції прискорення, різні виправлення для модульних інтерфейсів і алгоритмів, а також поліпшення Cygwin, Mac OS X, і брязкіт ++ сумісність.
• Github питання в даний час використовується для відстеження помилок і проблем.

Що нового у версії 1.0.0:

• Ця версія має інтерфейси для нових мов, включаючи Java, C #, Ruby, і Lua, рамки вибору моделі, багато методи зниження розмірності, Gaussian оцінка моделі суміші і рамки повноцінний онлайн навчання.

Що нового у версії 0.10.0:

• Особливості:
• Серіалізация об'єктів, що випливають з CSGObject, тобто всі об'єкти Shogun (SVM, Kernel, Особливості, препроцесорів, ...), а ASCII, JSON, XML і HDF5
• Створити SVMLightOneClass
• Додати CustomDistance за аналогією з ядром,
• Додати HistogramIntersectionKernel (спасибі Koen ван де Санде для патча)
• Підтримка Matlab 2010a
• SpectrumMismatchRBFKernel модульна підтримка (спасибі Rob Patro патча)
• Додати ZeroMeanCenterKernelNormalizer (спасибі Gorden Jemwa патча)
• Swig підтримка 2.0
• Виправлені помилки:
• Користувальницькі ядра тепер можуть бути і GT; 4G (спасибі Koen ван де Санде для патча)
• Set C локалі при запуску в init_shogun, щоб запобігти incompatiblies з ASCII поплавців і fprintf
• Compile виправлення, коли підрахунок посилань відключена
• Fix set_position_weights для WD ядра (звітний Дейв duVerle)
• Fix set_wd_weights для WD ядра.
• Fix гуркіт в SVMOcas (за повідомленням Ярослава)
• Очищення і API Зміни:
• Перейменовано SVM_light / SVR_light в SVMLight та ін.
• Видалити C префікс перед іменами несеріалізуемих класу
• Падіння CSimpleKernel і ввести CDotKernel в якості свого базового класу. Таким чином, всі ядра на основі скалярного твору може бути нанесений поверх DotFeatures і тільки однієї реалізації для таких ядер не потрібно.

Що нового у версії 0.9.3:

• Особливості:
• Експериментальна LP-норма MCMKL
• Нові ядра: SpectrumRBFKernelRBF, SpectrumMismatchRBFKernel, WeightedDegreeRBFKernel
• WDK ядро ​​підтримує амінокислоти
• Струнні Особливості тепер підтримують додати операції (і створення
• Підтримка Python-DBG
• Дозволити поплавці в якості внеску до ядра (і матриці & GT; 4 ГБ)
• Виправлені помилки:
• Статична лінковка виправити.
• Fix add_to_normal Розріджені лінійні ядра
• Очищення і API Зміни:
• Видалити функцію Init () в заходи ефективності
• Adjust .so суфікс пітона і використовувати пітона Distutils, щоб з'ясувати, встановити шляхи

Що нового у версії 0.9.2:

• Особливості:
• Безпосереднє зчитування і запис файлів на основі ASCII / довічних файлів / hdf5.
• Реалізовані кількох нормалізатор ядро ​​завданням.
• Виконати ядро ​​SNP.
• Виконати термін для libsvm / libsvr.
• Інтеграція еластична сітка МКЛ (спасибі Ryoata Tomioka для патча).
• Виконати Hashed WD компоненти.
• Виконати хешіруемого Особливості Рідкісні Poly.
• Інтеграція liblinear 1,51
• LibSVM тепер можуть бути навчені в упередженості відключена.
• Додати функції встановити / отримати глобальне і локальне IO / паралельно / ... об'єкти.
• Виправлені помилки:
• Fix set_w () для лінійних класифікаторів.
• Static Октава, інтерфейси Python, CmdLine модульна Python Складіть чисто під Windows / Cygwin знову.
• У статичних інтерфейсів тестування може відбутися збій при безпосередньо не зробили після тренування.