SHOGUN

SHOGUN는 오픈 소스 소프트웨어 대규모 커널 방식을 대상으로 기계 학습 도구 상자를 제공하기 위해 오프셋에서 설계 프로젝트, 특히 지원 벡터 기계 (SVM)을 위해 설계되었습니다. 이 소프트웨어는 쉽게 C, C ++, 파이썬, 옥타브, matlab에, 자바, C #을, 루비, 루아, UNIX 쉘 및 R. 등 다양한 프로그래밍 언어 내에서 사용할 수 있습니다
이 응용 프로그램은 다양한 SVM 구현과 인터페이스 할 수있는 표준 SVM (서포트 벡터 머신) 객체를 제공합니다. 그것은 또한 선형 계획법 기계 (LPM), 선형 판별 분석 (LDA)과 같은 많은 선형 방법을 포함한다 (커널) 퍼셉트론 즈 (Perceptrons)뿐만 아니라 glanceKey 기능에 숨겨져 마르코프 models.Features 훈련하는데 사용될 수있는 몇 가지 알고리즘 중 하나를 포함 클래스 분류, 멀티 클래스 분류, 회귀, 구조화 된 출력 학습, 사전 처리, 내장 모델 선택 전략, 테스트 프레임 워크, 대규모 학습 지원, 학습 도메인 적응, 직렬화, 병렬화 코드, 성과 측정, 커널 능선 회귀, 벡터 멀티 태스킹 회귀 지원 및 가우스 과정.
또한,이, Q-규범 MKL과 멀티 클래스 MKL 등 다양한 커널 학습을 지원 나이브 베이 즈, 로지스틱 회귀, LASSO, K-NN과 가우시안 프로세스 분류 분류, 지원 선형 프로그래밍 기계, LDA, 마르코프 체인, 숨겨진 마르코프 모델을 지원, PCA, 커널 PCA, Isomap 다차원 스케일링 로컬 선형 매립 확산지도, 지역 탄젠트 공간 정렬뿐만 아니라 라플라시안 eigenmaps.
또한, Mosek, 라벨 반스 - 헛 t-SNE 지원, 커널 정규화, S 자형 커널, 문자열 커널, 다항식, 선형 및 가우스 커널, 계층 적 클러스터링, K-수단, BFGS 최적화, 그라데이션 하강, 바인딩 CPLEX에, 바인딩을 제공합니다 의미 SO-SVM 후드 representation.Under 스파 스 데이터와 availabilitySHOGUN 자랑스럽게 파이썬과 C ++ 프로그래밍 언어로 작성된 잠재 순서 학습, 계수 그래프 학습, SO-SGD, 그것이 및 다른 URL;의 호환 어떤 GNU / 리눅스 운영 체제 파이썬과 GCC가 존재한다. 그것은 당신이 어떤 리눅스 커널 기반 운영 체제에 설치할 수 있도록 보편적 인 소스 아카이브로 다운로드 할 수 있습니다

이 릴리스의 새로운 기능 무엇 :.

이 특징 :
완전 지금 python3를 지원
미니 배치 K-수단을 추가 [Parijat Mazumdar]
K-수단을 추가 ++ [Parijat Mazumdar]
서브 시퀀스 문자열 커널 [lambday 추가]
버그 수정 :
곧 swig3.0에 대한 수정을 컴파일
() 적용 '가우시안 프로세스 속도 향상
단위 / 통합 시험 검사 개선
libbmrm 초기화되지 않은 메모리 읽기
libocas 초기화되지 않은 메모리 읽기
옥타브 3.8 컴파일 수정 [오리온 Poplawski]
자바 모듈 컴파일 오류를 수정 [Bjoern Esser는]

이 버전 3.1.1의 새로운 기능 :

이 오류가 CXX0X으로 발생하는 컴파일 수정
필요한 버전 데이터 버전 범프

이 버전 3.1.0의 새로운 기능 :

이 버전은 주로 버그 수정이 포함되어뿐만 아니라 향상된 기능이 있습니다.
가장 중요한 것은 () 적용에 관련된 메모리 누수의 몇 가지가 수정되었습니다.
작성 및 protobuf 개체로 장군 기능의 독서 이제 가능하다.
맞춤 커널 행렬은 지금 크기가 2 ^ 31-1 * 2 ^ 31-1 될 수 있습니다.
멀티 클래스 ipython 노트북 첨가하고, 나머지는 개선되었다.
리브 인 하나를 아웃 crossvalidation 이제 편리하게 지원됩니다.

이 버전 2.0.0의 새로운 기능 :

그것은 전에 수행 및 코드 2012 년 구글 여름 동안 한 모든 것을 포함한다.
학생들은 몇 가지 이름을, 구조화 출력 학습, 가우스 과정, 잠재 변수 SVM (구조화 출력 학습), 커널 재생 공간에서 통계적 테스트, 다양한 멀티 태스크 학습 알고리즘, 다양한 사용성 개선과 같은 다양한 새로운 기능을 구현했습니다.

1.1.0 버전의 새로운 기능 :

이 버전은 임의의 기능 묻어을 구성 할 수 있습니다 '변환기'의 개념을 도입했습니다.
또한 차원 축소 툴킷에 몇 가지 새로운 차원 감소 기법 및 성능을 크게 개선 사항이 포함되어 있습니다.
기타 개선 사항은 상당한 컴파일 속도 향상, 모듈 형 인터페이스와 알고리즘에 대한 다양한 버그 수정 및 개선 Cygwin에서, 맥 OS X, 그리고 그 소리 ++ 호환성을 포함한다.
Github에서 문제는 이제 추적 버그 및 문제점에 사용됩니다.

이 버전 1.0.0의 새로운 기능 :

이 버전은 자바, C #을, 루비, 루아, 모델 선택 프레임 워크, 많은 차원 감소 기법 등의 새로운 언어에 대한 인터페이스를 제공, 가우시안 혼합 모델 추정, 본격적인 온라인 학습 프레임 워크입니다.

이 특징 :

이 버전 0.10.0의 새로운 기능 :
CSGObject에서 파생 객체, 즉, 모든 장군 객체 직렬화 (SVM, 커널, 기능, 전 처리기, ...) ASCII, JSON, XML 및 HDF5로
SVMLightOneClass 만들기
맞춤 커널과 유사 CustomDistance 추가
(패치 덕분에 공원 반 드 Sande) HistogramIntersectionKernel 추가
matlab에 2010A 지원
SpectrumMismatchRBFKernel 모듈 지원 (감사 패치 롭 Patro)
ZeroMeanCenterKernelNormalizer 추가 (감사 패치 고든 Jemwa)
꿀꺽 꿀꺽 2.0 지원
버그 수정 :
사용자 정의 커널은 지금 할 수있다 할 수 있습니다; 4G (감사 패치 공원 반 드 Sande)
아스키 수레와는 fprintf와 incompatiblies을 방지하기 위해 init_shogun에서 시작시 C 로켈을 설정합니다
참조 카운팅이 해제 된 경우 수정 프로그램을 컴파일
WD 커널에 대한 set_position_weights 수정 (데이브 duVerle에 의해보고)
WD 커널에 대한 set_wd_weights을 수정합니다.
SVMOcas에 걸치고 수정 (야로슬라프에 의해보고)
정리 및 API 변경 :
SVM_light / SVR_light 명칭 변경 SVMLight에 등
직렬화 클래스 이름 앞에 C 접두어를 제거
CSimpleKernel를 삭제하고 그것의 기본 클래스로 CDotKernel을 소개합니다. 모든 내적 기반 커널은 커널의 DotFeatures 위에 오직 하나의 구현에 적용 할 수있는 방법이 필요하다.

이 특징 :

이 버전 0.9.3의 새로운 기능 :
실험 LP-규범 MCMKL
새로운 커널 : SpectrumRBFKernelRBF, SpectrumMismatchRBFKernel, WeightedDegreeRBFKernel
WDK 커널은 아미노산을 지원
문자열 기능은 이제 작업 (그리고 생성을 추가 지원
파이썬 DBG 지원
맞춤 커널의 입력으로 수레 허용 (그리고 행렬있다을, 4GB의 크기)
버그 수정 :
정적 링크 수정.
스파 스 선형 커널의 add_to_normal 수정
정리 및 API 변경 :
성능 조치의 초기화 () 함수를 제거
파이썬에 대한 .so는 접미사를 조정하고 경로를 알아낼 설치 파이썬의 distutils를 사용

이 특징 :

이 버전 0.9.2의 새로운 기능 :
직접 읽기 및 ASCII / 바이너리 파일 / HDF5 따라 파일의 작성.
멀티 작업 커널 정규화를 구현했습니다.
SNP 커널을 구현합니다.
libsvm / libsvr에 대한 시간 제한을 구현합니다.
탄성 순 MKL (패치에 대한 감사 Ryoata 토미 오카)를 통합 할 수 있습니다.
해시 WD 기능을 구현합니다.
해시 스파 스 폴리 기능을 구현합니다.
1.51 liblinear 통합
LibSVM 이제 비활성화 바이어스와 함께 훈련을 할 수 있습니다.
/ ... 개체를 설정 / 전역 및 로컬 IO / 병렬를 얻을 수 기능을 추가합니다.
버그 수정 :
선형 분류에 대한 set_w ()를 수정합니다.
정적 옥타브, 파이썬, 할 cmdline 및 모듈 형 파이썬 인터페이스는 다시 윈도우 / Cygwin에서에서 깨끗하게 컴파일합니다.
직접 훈련 후 수행하지 않을 때 정적 인터페이스에서 테스트가 실패 할 수 있습니다.