SHOGUN

Shogun är en öppen källkod-projektet utformats från offset för att ge en maskininlärning verktygslåda som riktar sig till storskaliga kärnmetoder, och särskilt utformade för Support Vector Machines (SVM). Programvaran kan enkelt användas inifrån olika programmeringsspråk, inklusive C, C ++, Python, Octave, Matlab, Java, C #, Ruby, Lua, UNIX Shell, och R.
Applikationen erbjuder en standard SVM (Support Vector Machines) objekt som kan samverka med olika SVM implementationer. Den innehåller också många linjära metoder, såsom Linear Programming Automat (LPM), Linjär diskriminantanalys (LDA), (kärna) perceptroner, liksom vissa algoritmer som kan användas för att träna dold Markov-models.Features vid ett glanceKey funktioner inkluderar en klass klassificering, multiclass klassificering, regression, strukturerad utgång lärande, förbehandling, inbyggda modellval strategier, test ram, storskalig inlärningsstöd, multitask inlärning, domänanpassning, serialisering, parallelliseras kod, prestandamått, kernel ås regression, vektor regressions stöd och gaussiska processer.
Dessutom stöder det flera kärna lärande, inklusive q-normen MKL och multiclass MKL, stöder Naive Bayes, Logistic Regression, lasso, k-NN och gaussprocess Klassificering klassificerare, stöder linjär programmering maskin, LDA, Markov kedjor, dolda Markovmodeller, PCA, kernel PCA, Isomap, flerdimensionell skalning, lokalt linjär inbäddning, diffusion kartan, lokal tangent utrymme inriktning, samt Laplace eigenmaps.
Dessutom har det Barnes-Hut t-SNE support, kernel normalizer, sigmoideum kärna, string kärnor, polynom, linjära och gaussiska kärnor, hierarkisk klustring, k-medel, BFGS optimering, lutning härkomst, bindningar till CPLEX, bindningar till Mosek, etikett sekvens lärande, faktor grafen lärande, SO-SGD, latent SO-SVM och glesa uppgifter representation.Under huven och availabilitySHOGUN är stolt skrivet i Python och C ++ programmeringsspråk, vilket innebär att det & rsquo; s kompatibel med alla GNU / Linux operativsystem där Python och GCC existerar. Den är tillgänglig för nedladdning som en källa arkiv universell, så du kan installera det på alla Linux kernel-baserat operativsystem

Vad är nytt i den här versionen:.

• Funktioner:
• Fullt stöd python3 nu
• Lägg mini-batch k-medel [Parijat Mazumdar]
• Lägg k-medel ++ [Parijat Mazumdar]
• Lägg undersekvensen string kernel [lambday]
• Buggfixar:
• sammanställa korrigeringar för kommande swig3.0
• Speedup för gaussprocess "gäller ()
• Förbättra enhet / integration test kontrollerar
• libbmrm oinitierad minnes läser
• libocas oinitierad minnes läser
• Octave 3.8 sammanställa fixar [Orion Poplawski]
• Fix java modulär kompileringsfel [Bjoern Esser]

Vad är nytt i version 3.1.1:

• Fix sammanställa fel inträffar med CXX0X
• Bump data version till önskad version

Vad är nytt i version 3.1.0:

• Denna version innehåller mestadels buggfixar, men även funktionsförbättringar .
• Viktigast, ett par minnesläckor rör gälla () har fastställts.
• Skriva och läsa om Shogun funktioner som protobuf föremål är nu möjligt.
• anpassade kärna Matriser kan nu vara 2 ^ 31-1 * 2 ^ 31-1 i storlek.
• Multiclass ipython notebooks tillkom, och de andra bättre.
• Leave-one-out crossvalidation nu bekvämt stöd.

Vad är nytt i version 2.0.0:

• Det innehåller allt som har utförts före och Under Google Summer of Code 2012.
• Studenter har genomfört olika nya funktioner som strukturerad utgång lärande, gaussiska processer, latent variabel SVM (och strukturerad utgång lärande), statistiska test i kärnan reproducerande utrymmen, olika multitask inlärningsalgoritmer, och olika användbarhetsförbättringar, för att nämna några.

Vad är nytt i version 1.1.0:

• Denna version introducerade begreppet "omvandlare", vilket gör att du kan bygga inbäddningar av godtyckliga funktioner.
• Den innehåller också en del nya minskning dimension tekniker och betydande prestandaförbättringar i dimensionalitet minskning toolkit.
• Andra förbättringar inkluderar en betydande sammanställning påskynda, diverse buggfixar för modulära gränssnitt och algoritmer, och förbättrad Cygwin, Mac OS X, och klang ++ kompatibilitet.
• Github Frågor används nu för att spåra buggar och problem.

Vad är nytt i version 1.0.0:

• Denna version innehåller gränssnitt till nya språk inklusive Java, C #, Ruby, och Lua, ett ramverk modellval, många reduktionsdimension tekniker, Gaussisk Blandning Modell uppskattning, och en fullfjädrad online-lärande ram.

Vad är nytt i version 0.10.0:

• Funktioner:
• Serialization av föremål som härrör från CSGObject, dvs alla shogun objekt (SVM, Kernel, Funktioner, preprocessorer, ...) som ASCII, JSON, XML och hdf5
• Skapa SVMLightOneClass
• Lägg CustomDistance i analogi med anpassade kärna
• Lägg HistogramIntersectionKernel (tack Koen van de Sande för patch)
• Matlab 2010a support
• SpectrumMismatchRBFKernel modulstöd (tack Rob Patro för patch)
• Lägg ZeroMeanCenterKernelNormalizer (tack Gorden Jemwa för patch)
• Swig 2.0 stöd
• Buggfixar:
• Anpassad Kärnor kan nu vara & gt; 4G (tack Koen van de Sande för patch)
• Set C locale vid start i init_shogun att förhindra incompatiblies med ascii flöten och fprintf
• Samman fix när referensräkning är inaktiverad
• Fix set_position_weights för wd kernel (rapporteras av Dave duVerle)
• Fix set_wd_weights för wd kärna.
• Fix crasher i SVMOcas (rapporteras av Yaroslav)
• Cleanup och API Ändringar:
• Omdöpt SVM_light / SVR_light till SVMLight etc.
• Ta bort C prefix framför icke-serialiserbara klassnamn
• Drop CSimpleKernel och införa CDotKernel som sin basklass. Det behövs så sätt alla dot-produkt baserad kärnor kan appliceras ovanpå DotFeatures och endast en enda tillämpning för sådana kärnor.

Vad är nytt i version 0.9.3:

• Funktioner:
• Experimentell lp-norm MCMKL
• Nya Kärnor: SpectrumRBFKernelRBF, SpectrumMismatchRBFKernel, WeightedDegreeRBFKernel
• WDK kernel stöder aminosyror
• Strängfunktioner stöder nu lägga verksamheten (och skapa
• python-dbg support
• Tillåt flöten som ingång för anpassade kärna (och matriser & gt; 4 GB i storlek)
• Buggfixar:
• Statisk länkning fix.
• Fix glesa linjära kärnans add_to_normal
• Cleanup och API Ändringar:
• Ta init () funktionen i mäter prestanda
• Justera .så suffix för python och använder python distutils att räkna ut installera vägar

Vad är nytt i version 0.9.2:

• Funktioner:
• Direkt läsning och skrivning av ASCII / binära filer / hdf5 baserade filer.
• Genomfört flera uppdrag kernel normalizer.
• Genomföra SNP-kärnan.
• Genomföra tidsgräns för libsvm / libsvr.
• Integrera Elastic Net MKL (tack Ryoata Tomioka för patch).
• Genomföra Hashed WD funktioner.
• Genomföra hashas Gles Poly funktioner.
• Integrera liblinear 1,51
• LibSVM kan nu tränas med partiskhet inaktiverad.
• Lägg funktionerna för att ställa / få global och lokal io / parallell / ... objekt.
• Buggfixar:
• Fix set_w () för linjära klassificerare.
• Statisk Octave, Python, CmdLine och Modular Python-gränssnitt Sammanställa rent under Windows / Cygwin igen.
• I statiska gränssnitt testning kunde misslyckas när de inte är direkt klar efter träning.