Comment installer et utiliser la quille dans Linux Optimiser pour optimiser les algorithmes d'exploration de données complexes

Comment installer et utiliser la quille dans Linux Optimiser pour optimiser les algorithmes d'exploration de données complexes

Quille (L'extraction des connaissances basée sur l'apprentissage évolutif) est un outil logiciel basé sur Java qui se spécialise dans la mise en œuvre d'algorithmes évolutifs. Puisqu'il s'agit d'une open source, il fournit une grande variété d'algorithmes de découverte de connaissances qui peuvent être utilisés dans des expériences qui alimentent la communauté des données d'exploration de données et d'analyse. Il fournit une interface utilisateur graphique simple et facile à utiliser qui diminue considérablement la complexité globale de cet outil. La plupart des outils similaires sur le marché exigent que les utilisateurs interagissent avec eux en écrivant le code tandis que Keel supprime cette exigence en fournissant une interface graphique intuitive qui peut être utilisée par les débutants et les experts.

Keel fournit une grande variété d'algorithmes basés sur l'intelligence informatique différents, notamment la classification, la régression, l'extraction des fonctionnalités, l'analyse de motifs, le regroupement, et plus encore. Avec les modèles grand public cuits directement dans l'application elle-même, Keel est un outil très utile lorsqu'il s'agit d'effectuer des analyses de données exploratoires sur les ensembles de données brutes. Sa simple interface de glisser-déposer associée à la facilité d'utilisation des fonctionnalités permet une expérimentation rapide et efficace d'exploration de données à des fins éducatives et de recherche. Des outils comme Keel augmentent en popularité en raison de leur approche simpliste des pratiques algorithmiques autrement complexes.

Installation

Il y a deux principales façons dont nous pouvons installer Quille sur n'importe quelle machine Linux. Le premier consiste à aller à la page Web de la quille et à télécharger le logiciel à partir de là. Le second, que nous suivrons dans ce guide d'installation, nous oblige à télécharger la quille en utilisant le wget Télécharger l'outil disponible pour les utilisateurs de Linux.

1. Nous commençons par obtenir wget Sur notre machine Linux.

Exécutez la commande suivante pour télécharger le wget en utilisant le apte directeur chargé d'emballage:

$ sudo apt-get install wget

Vous verrez une sortie de terminal similaire:

2. Maintenant que nous avons le wget outil installé sur notre machine Linux, nous l'utilisons pour télécharger le Quille outil.

C'est le lien que nous passons à wget.

Exécutez la commande suivante dans votre terminal:

$ wget http: // sci2s.ugr.ES / Keel / Software / Prototypes / Openversion / Software-2018-04-09.zipper

Vous devriez voir une sortie similaire sur votre terminal:

Une fois la quille terminée, nous pouvons continuer le reste de l'installation.

3. Nous extraissons maintenant le fichier compressé que nous avons téléchargé à l'étape précédente à l'aide de l'outil Linux Unzip.

Exécutez la commande suivante:

$ Unzip Software-2018-04-09.zipper

Vous devriez voir une sortie similaire dans le terminal:

4. Naviguez dans le dossier de la quille en exécutant la commande suivante:

$ CD Software-2018-04-09 / Documentos / Experimentos / Keel / Dist /

5. Exécutez la commande suivante pour démarrer avec l'installation:

$ java -jar ./ Graphinterkeel.pot

Avec cela, la quille devrait être disponible pour que vous puissiez utiliser sur votre machine Linux.

Mode d'emploi

Interagir avec le Quille L'application est vraiment facile et simple. Commençons par importer l'ensemble de données de l'iris dans notre espace de travail.

Lorsque nous importons les données, l'outil nous montre le regroupement global du point de données dans l'ensemble de données. Il nous montre également les différentes classes qui sont présentes dans l'ensemble de données ainsi que les informations de base comme les gammes numériques que ces points de données s'étendent et la variance globale et les valeurs moyennes qu'il présente. Ces informations permettent aux utilisateurs de mieux comprendre comment procéder à la préparation des données pour tout type de tâche d'analyse des données.


En passant plus loin dans l'expérimentation, nous rencontrons les différentes techniques qui peuvent être utilisées pour créer notre expérience sur n'importe quel ensemble de données. Les différents algorithmes d'apprentissage qui peuvent être utilisés sur nos données peuvent être vus dans l'image suivante. Selon la nature de l'ensemble de données et les exigences de l'expérience, différents algorithmes peuvent être expérimentés avec.

Par exemple, si vous travaillez avec des données non marquées et que vous devez trouver des similitudes entre les différents points de données de votre ensemble de données, en utilisant un algorithme de clustering des différentes options disponibles peut vous aider à mieux comprendre les points de données. Cela vous aide finalement à étiqueter et à classer les points de données afin que l'expérience puisse être construite sur l'utilisation d'algorithmes d'apprentissage supervisés plus complets.

Conclusion

Le Quille La plate-forme pour l'analyse des données est une bonne ressource à des fins de recherche et d'éducation. Son interface utilisateur graphique facile à utiliser aide les utilisateurs à mieux comprendre les exigences des données ainsi que la fourniture de références logiques à des techniques et algorithmes utiles qui aident davantage les utilisateurs à leurs flux de travail. Avoir un large éventail d'algorithmes différents qui relèvent des différentes catégories et techniques algorithmiques permettent aux utilisateurs d'expérimenter de nombreuses directions logiques et de comparer ces résultats afin que la solution la plus optimale à n'importe quel problème puisse être atteinte.

L'approche de glisser-déposer gratuite de code de Keel à l'exploration de données aide même les débutants à travailler sans effort avec des modèles d'intelligence informatique complets. Cela donne un aperçu des ensembles de données complexes et en résulte des inférences utiles qui aident à résoudre les problèmes du monde réel.