Python ile Makine Öğrenimi
Python’ın, makine öğrenimi için ne sunduğuna bir bakalım.
Açıklama
Altta, her kütüphane bir başlık olarak verildi. Adının ardından Google Pagerank’i, Google geribağlantısı (backlink), del.ici.ous bağlantı sayısı ve son yayınlanan sürümünün tarihi var. Örneğin libSVM, 7 Pagerank’e sahip, kendisine 232 link verilmiş ve 12 kez del.ici.ous’a eklenmiş. Son yayınlanan sürümü de Kasım 2009’da yayınlanmış. İstatistikler bu güne ait.
Her başlığın devamında, kütüphane ile ilgili çok sade açıklamalar var. Şu anda ilgilenmediğim türlü özelliklerini esgeçtim, sayfalarına bakmak yararlı olur. Bu arada, kısaltmaların ne olduğu en altta.
libSVM, 7, 232, 12, 11.2009
C’de yazılmış SVM kütüphanesi. Kabuktan Python ile kullanmak kolay. İçindeki easy.py ile en iyi modelin seçilmesi kolayca sağlanabiliyor. Çok sınıflı durumda kullanılan SVM tipi “bire karşı biri” (1vs1).
PyML, 5, 27, 278, 01.2009
SVM ve NN içeriyor. Çok sınıflı SVM için “birine karşı biri” (1vs1) ve “birine karşı kalanlar” (1vsRest) var.
Orange, 5, 38, 8, 01.2010
SVM, kNN, Naive Bayes, vd. bileşenleri var. Daha çok arayüze ağırlık vermesiyle dikkat çekiyor.
MDP, 5, 41, 229, 06.2009
PCA, ICA, vd. bileşenlere sahip. Tüm bileşen listesi burda.
İlgili kaynaklar: [1]
mlpy, 5, 9, 93, 11.2009
SVM, kNN, LDA, DTW, vd.
Shogun, 4, 53, 229, 11.2009
Büyük ölçekli çekirdek yöntemlerinde ve özellikle SVM’lere odaklanmış. OCAS, Liblinear, LibSVM, SVMLight, SVMLin ve GPDT’yi aynı çatıda birleştirmiş. Çift-sınıf ve çok sınıf SVM destekliyor. Doğrusal, Polinom, Gauss ve Sigmoid çekirdeklerinin yanısıra Chi2, Spektrum, Fischer gibi çekirdekler de var. C++‘da yazılmış, Python için modüler bir arayüzü var. İçinde HMM, LDA ve kNN de mevcut. İçinde gelen örneklerden kodun nasıl çalışacağını anlamak mümkün.
PyBrain, 3, 31, 281, 10.2009
K-Ortalama, PCA, SVM, vd. içeriyor.
İlgili kaynaklar: [1]
Monte, 3, 2, 93, 04.2008
Gradyan-tabanlı öğrenme makineleri (Yapay ağlar, CRF) için.
ghmm, 5, 7, 38, 04.2009
Temel HMM işlevlerini destekliyor.
Başka derlemeler
Kısaltmalar
CRF: Conditional Random Fields (Koşullu Rastgele Alanlar)
DTW: Dynamic Time Warping (Dinamik Zaman Bükmesi)
HMM: Hidden Markov Models (Saklı Markov Modelleri)
ICA: Independent Component Analysis (Bağımsız Bileşenler Analizi)
kNN: k-Nearest Neighbour (En Yakın k Komşu)
LDA: Linear Discriminant Analysis (Doğrusal Ayırıcı Analizi)
NN: Nearest Neighbour (En Yakın Komşu)
PCA: Principal Component Analysis (Temel Bileşenler Analizi)
SVM: Support Vector Machines (Destek Vektör Makineleri)
