Weka Eğitimi - Weka Aracı Nasıl İndirilir, Kurulur ve Kullanılır

weka tutorial how download

Bu WEKA öğreticisi, Weka Machine Learning aracının ne olduğunu, özelliklerini ve Weka Machine Learning Yazılımının nasıl indirileceğini, kurulacağını ve kullanılacağını açıklar:

İçinde Önceki Eğitim , ML'de Destek Vektör Makinesi ve SVM'nin Hyperplane, Support Vektörleri ve Uygulamaları gibi ilgili kavramları öğrendik.

Makine Öğrenimi, makinelerin yapay olarak akıllı bir sistem olarak hareket ettiği bir bilim alanıdır. Makineler, herhangi bir açık kodlama gerektirmeden kendi kendilerine öğrenebilirler. Verilere erişen, kendi kendine öğrenen ve sonucu tahmin eden yinelemeli bir süreçtir. Makine öğrenimi görevlerini yürütmek için birçok araç ve komut dosyası gereklidir.

WEKA, birçok makine öğrenimi etkinliğini kolaylaştıran birçok araçtan oluşan bir makine öğrenimi platformudur.

=> Eksiksiz Makine Öğrenimi Eğitim Serisini Okuyun

xbox 360 için vr kulaklık var mı

Ne öğreneceksin:

• WEKA nedir
  • Neden WEKA Makine Öğrenimi Aracını Kullanmalısınız?
  • WEKA İndirme ve Kurulum
  • WEKA'nın Grafik Kullanıcı Arayüzü
    • # 1) Basit CLI
    • # 2) Gezgin
    • # 3) Deneyci
    • # 4) Bilgi Akışı
    • # 5) Tezgah
  • WEKA Explorer'ın Özellikleri
    • # 1) Veri Kümesi
    • # 2) ARFF Veri formatı
    • # 3) XRFF Veri Formatı
    • # 4) Veritabanı Bağlantısı
    • # 5) Sınıflandırıcılar
    • # 6) Kümeleme
    • # 7) İlişkilendirme
    • # 8) Nitelik Kesit Ölçüleri
    • # 9) Görselleştirme
• Sonuç
  • Önerilen Kaynaklar

WEKA nedir

Weka, Yeni Zelanda'daki Waikato Üniversitesi'ndeki bilim adamları / araştırmacılar tarafından tasarlanan ve geliştirilen açık kaynaklı bir araçtır. WEKA, Waikato Environment for Knowledge Analysis'in kısaltmasıdır. Uluslararası bilim topluluğu tarafından geliştirilmiştir ve ücretsiz GNU GPL lisansı altında dağıtılır.

WEKA tamamen Java'da geliştirilmiştir. Java Veritabanı bağlantısını kullanarak SQL veritabanı ile entegrasyon sağlar. Veri madenciliği görevlerini uygulamak için birçok makine öğrenimi algoritması sağlar. Bu algoritmalar, doğrudan WEKA aracı kullanılarak kullanılabilir veya Java programlama dili kullanan diğer uygulamalarla birlikte kullanılabilir.

Veri ön işleme, sınıflandırma, kümeleme, regresyon analizi, ilişki kuralı oluşturma, özellik çıkarma ve veri görselleştirme için birçok araç sağlar. Makine öğreniminde yeni algoritmaların geliştirilmesini destekleyen güçlü bir araçtır.

Neden WEKA Makine Öğrenimi Aracını Kullanmalısınız?

WEKA ile, makine öğrenme algoritmaları kullanıcılar tarafından kolayca kullanılabilir. Makine öğrenimi uzmanları, yüksek hacimli verilerden yararlı bilgiler çıkarmak için bu yöntemleri kullanabilir. Burada uzmanlar, yeni makine öğrenimi yöntemleri geliştirmek ve bunları gerçek veriler üzerinde uygulamak için bir ortam oluşturabilir.

WEKA, makine öğrenimi ve uygulamalı bilimler araştırmacıları tarafından öğrenme amacıyla kullanılır. Birçok veri madenciliği görevini gerçekleştirmek için verimli bir araçtır.

WEKA İndirme ve Kurulum

# 1) Yazılımı şuradan indirin: İşte .

Bilgisayar sisteminin yapılandırmasını kontrol edin ve WEKA'nın kararlı sürümünü (şu anda 3.8) bu sayfadan indirin.

#iki) Başarılı bir indirme işleminden sonra, dosya konumunu açın ve indirilen dosyaya çift tıklayın. Step Up sihirbazı görünecektir. İleri'ye tıklayın.

# 3) Lisans Sözleşmesi koşulları açılacaktır. Baştan sona okuyun ve 'Kabul Ediyorum' a tıklayın.

# 4) Gereksinimlerinize göre kurulacak bileşenleri seçin. Tam bileşen kurulumu önerilir. İleri'ye tıklayın.

# 5) Hedef klasörü seçin ve İleri'ye tıklayın.

# 6) Ardından Kurulum başlayacaktır.

# 7) Sistemde Java kurulu değilse, önce Java'yı yükleyecektir.

# 8) Kurulum tamamlandıktan sonra aşağıdaki pencere görünecektir. İleri'ye tıklayın.

# 9) Weka'yı Başlat onay kutusunu seçin. Finish'e tıklayın.

# 10) WEKA Aracı ve Gezgini penceresi açılır.

#eleven) WEKA kılavuzu şu adresten indirilebilir: İşte.

WEKA'nın Grafik Kullanıcı Arayüzü

WEKA'nın GUI'si beş seçenek sunar: Explorer, Experimenter, Bilgi akışı, Workbench ve Simple CLI. Bunların her birini ayrı ayrı anlayalım.

# 1) Basit CLI

Basit CLI, komut satırı ve çıktı içeren Weka Kabuğu'dur. 'Yardım' ile tüm komutların genel görünümü görülebilir. Basit CLI, sınıflandırıcılar, kümeler ve filtreler gibi tüm sınıflara erişim sağlar.

Basit CLI komutlarından bazıları şunlardır:

• Ara: Mevcut diziyi durdurmak için
• Çıkış: CLI'den çıkın
• Yardım Edin() : Belirtilen komut için yardım çıktısı verir
• -java weka.classifiers.trees.J48 -t c: /temp/iris.arff: Bir WEKA sınıfını çağırmak için Java ile önekleyin. Bu komut, WEKA'yı sınıfı yüklemeye ve verilen parametrelerle çalıştırmaya yönlendirecektir. Bu komutta J48 sınıflandırıcı, IRIS veri kümesinde çağrılır.

# 2) Gezgin

WEKA Explorer pencereleri, ön işlemden başlayarak farklı sekmeler gösterir. Başlangıçta, ön işlem sekmesi etkindir, çünkü ilk olarak veri seti, ona algoritmalar uygulanmadan önce ön işlemden geçirilir ve veri setini araştırır.

Sekmeler aşağıdaki gibidir:

1. Ön işlem: Yüklenen verileri seçin ve değiştirin.
2. Sınıflandırmak: Verileri sınıflandıracak ve gerileyecek verilere eğitim ve test algoritmaları uygulayın.
3. Küme: Verilerden kümeler oluşturun.
4. Ortak: Veriler için ilişkilendirme kuralını çıkarın.
5. Öznitelikleri seçin: Öznitelik seçim ölçüleri uygulanır.
6. Görselleştirin: Verilerin 2D gösterimi görülmektedir.
7. Durum çubuğu: Pencerenin en alt bölümü durum çubuğunu gösterir. Bu bölüm şu anda ne olup bittiğini bir ileti biçiminde, örneğin bir dosyanın yüklenmekte olduğunu gösterir. Buna sağ tıklayın, Hafıza bilgi görülebilir ve ayrıca Koşmak çöp kolektör yer açmak için çalıştırılabilir.
8. Günlük Düğmesi: Weka'daki tüm eylemlerin günlüğünü zaman damgasıyla birlikte saklar. Günlük düğmesine tıklandığında günlükler ayrı bir pencerede gösterilir.
9. WEKA Kuş Simgesi: Sağ alt köşede bulunan WEKA kuşu, eşzamanlı olarak çalışan işlemlerin sayısını (x ile) temsil eder. Süreç devam ederken, kuş hareket edecek.

# 3) Deneyci

WEKA deneyci düğmesi, kullanıcıların bir veri kümesindeki bir deneyde farklı şemalar oluşturmasına, çalıştırmasına ve değiştirmesine olanak tanır. Deneycinin 2 tür konfigürasyonu vardır: Basit ve Gelişmiş. Her iki yapılandırma da kullanıcıların yerel olarak ve uzak bilgisayarlarda deneyler yapmasına izin verir.

1. 'Aç' ve 'Yeni' düğmesi, kullanıcıların yapabileceği yeni bir deney penceresi açacaktır.
2. Sonuçlar: Sonuç hedef dosyasını ARFF, JDFC ve CSV dosyasından ayarlayın.
3. Deney Türü: Kullanıcı, çapraz doğrulama ve eğitim / test yüzdesi ayırma arasında seçim yapabilir. Kullanıcı, kullanılan veri kümesi ve sınıflandırıcıya göre Sınıflandırma ve Regresyon arasında seçim yapabilir.
4. Veri kümeleri: Kullanıcı buradan veri setlerine göz atabilir ve seçebilir. Farklı makinelerde çalışılıyorsa, göreli yol onay kutusu tıklanır. Desteklenen veri kümelerinin biçimi ARFF, C4.5, CSV, libsvm, bsi ve XRFF'dir.
5. Yineleme: Varsayılan yineleme sayısı 10'a ayarlanmıştır. Önce veri kümeleri ve algoritmalar ilk önce veri kümesi ve algoritmalar arasında geçiş yapmaya yardımcı olur, böylece algoritmalar tüm veri kümelerinde çalıştırılabilir.
6. Algoritmalar: Yeni algoritmalar 'Yeni Düğme' tarafından eklenir. Kullanıcı bir sınıflandırıcı seçebilir.
7. Kaydet düğmesini kullanarak denemeyi kaydedin.
8. Denemeyi Çalıştır düğmesini kullanarak çalıştırın.

# 4) Bilgi Akışı

Bilgi akışı, WEKA algoritmalarının grafik temsilini gösterir. Kullanıcı bileşenleri seçebilir ve veri kümelerini analiz etmek için bir iş akışı oluşturabilir. Veriler toplu olarak veya artımlı olarak işlenebilir. Paralel iş akışları tasarlanabilir ve her biri ayrı bir iş parçacığında çalışacaktır.

Mevcut farklı bileşenler Veri Kaynakları, Veri Koruyucular, Filtreler, Sınıflandırıcılar, Kümeler, Değerlendirme ve Görselleştirme.

# 5) Tezgah

WEKA, tüm GUI'leri tek bir pencerede içeren tezgah modülüne sahiptir.

WEKA Explorer'ın Özellikleri

# 1) Veri Kümesi

Bir veri kümesi öğelerden oluşur. Bir nesneyi temsil eder Örneğin: pazarlama veritabanında müşteri ve ürünleri temsil edecektir. Veri kümeleri özniteliklerle tanımlanır. Veri kümesi, bir veritabanındaki veri gruplarını içerir. Bir veri kümesinin nominal, sayısal veya dize olabilen öznitelikleri vardır. Weka'da veri kümesi şu şekilde temsil edilir: weka.core.Instances sınıf.

Veri setinin 5 örnekle gösterimi:

@veri
güneşli, YANLIŞ, 85,85, hayır
güneşli, DOĞRU, 80,90, hayır
kapalı, YANLIŞ, 83,86, evet
yağmurlu, YANLIŞ, 70,96, evet
yağmurlu, YANLIŞ, 68,80, evet

Öznitelik nedir?

Bir öznitelik, bir veri nesnesinin karakteristiğini temsil eden bir veri alanıdır. Örneğin, bir müşteri veritabanında, öznitelikler customer_id, customer_email, customer_address, vb. olacaktır. Özniteliklerin farklı türleri vardır.

Bu olası türler şunlardır:

A) Nominal Nitelikler: Bir adla ilgili olan ve renk, hava durumu gibi önceden tanımlanmış değerlere sahip özellik. Bu niteliklere kategorik özellikler . Bu özniteliklerin herhangi bir sırası yoktur ve değerlerine numaralandırma da denir.

@ attribute outlook {güneşli, kapalı, yağmurlu}: nominal özelliğin beyanı.

B) İkili Özellikler: Bu öznitelikler yalnızca 0 ve 1 değerlerini temsil eder. Bunlar, yalnızca 2 kategoriye sahip nominal özniteliklerin türüdür. Bu özniteliklere Boolean da denir.

C) Sıra Özellikleri: Aralarında bir sıra veya sıralamayı koruyan nitelikler sıra nitelikleridir. Ardışık değerler tahmin edilemez, ancak yalnızca sıra korunur. Misal: boyut, sınıf vb.

D) Sayısal Nitelikler: Ölçülebilir miktarları temsil eden öznitelikler sayısal özniteliklerdir. Bunlar gerçek sayılar veya tam sayılarla temsil edilir. Misal: sıcaklık, nem.

@ öznitelik nem gerçek: sayısal bir öznitelik beyanı

E) Dize Nitelikleri: Bu öznitelikler, çift tırnak içinde gösterilen karakterlerin bir listesini temsil eder.

# 2) ARFF Veri formatı

WEKA, veri analizi için ARFF dosyası üzerinde çalışır. ARFF, Öznitelik İlişkisi Dosya Biçimi anlamına gelir. 3 bölümü vardır: ilişki, özellikler ve veriler. Her bölüm '@' ile başlar.

ARFF dosyaları Nominal, Sayısal, Dize, Tarih ve İlişkisel veri özniteliklerini alır. İyi bilinen makine öğrenimi veri kümelerinden bazıları WEKA'da ARFF olarak mevcuttur.

ARFF biçimi:

@ilişki
@ öznitelik
@veri

ARFF dosyasına bir örnek:

# 3) XRFF Veri Formatı

XRFF, XML niteliği İlişki Dosyası Biçimi anlamına gelir. Yorumları, öznitelikleri ve örnek ağırlıklarını depolayabilen verileri temsil eder. .Xrff ve .xrff.gz (sıkıştırılmış format) dosya uzantısına sahiptir. XRFF dosyaları, verileri XML biçiminde temsil ediyordu.

# 4) Veritabanı Bağlantısı

WEKA ile, bir JDBC sürücüsü kullanarak bir veritabanına bağlanmak kolaydır. Veritabanına bağlanmak için JDBC sürücüsü gereklidir, misal:

MS SQL Sunucusu (com.microsoft.jdbc.sqlserver.SQLServerDriver)

Oracle (oracle.jdbc.driver.OracleDriver)

# 5) Sınıflandırıcılar

Çıktı verilerini tahmin etmek için, WEKA sınıflandırıcılar içerir. Öğrenme için kullanılabilen sınıflandırma algoritmaları, karar ağaçları, destek vektör makineleri, örnek tabanlı sınıflandırıcılar ve lojistik regresyon ve Bayes ağlarıdır. Deneme ve test kullanan gereksinime bağlı olarak, kullanıcı veri analizi için uygun bir algoritma bulabilir. Sınıflandırıcılar, veri setlerini özniteliklerin özelliklerine göre sınıflandırmak için kullanılır.

# 6) Kümeleme

WEKA, veri kümesindeki benzerlikleri tahmin etmek için Küme sekmesini kullanır. Kümelemeye dayalı olarak, kullanıcı analiz için yararlı nitelikleri bulabilir ve diğer özellikleri göz ardı edebilir. WEKA'da kümeleme için mevcut algoritmalar k-ortalama, EM, Örümcek Ağı, X-ortalamaları ve FarhtestFirst'tir.

# 7) İlişkilendirme

WEKA'da ilişkilendirme kurallarını bulmak için kullanılabilen tek algoritma Apriori'dir.

# 8) Nitelik Kesit Ölçüleri

WEKA, hesaplama amacıyla en iyi öznitelik seçimi için 2 yaklaşım kullanır:

• Arama yöntemi algoritmasını kullanma: En iyi, ileri seçim, rastgele, kapsamlı, genetik algoritma ve sıralama algoritması.
• Değerlendirme yöntemi algoritmalarını kullanma: Korelasyona dayalı, sarmalayıcı, bilgi kazancı, ki-kare.

# 9) Görselleştirme

WEKA, verilerin 2D gösterimini, döndürmeli 3D görselleştirmeleri ve tek özniteliğin 1D temsilini destekler. Nominal özellikler ve 'gizli' veri noktaları için 'Titreşim' seçeneğine sahiptir.

WEKA'nın diğer temel özellikleri şunlardır:

• 'Explorer', 'Experimenter' ve 'Knowledge Flow' şeklinde Grafik Kullanıcı Arayüzüne sahip açık kaynaklı bir araçtır.
• Platformdan bağımsızdır.
• 49 veri ön işleme aracı içerir.
• WEKA'da 76 sınıflandırma ve regresyon algoritması, 8 kümeleme algoritması mevcuttur
• 15 öznitelik seçme algoritmasına ve 10 öznitelik seçme algoritmasına sahiptir.
• İlişkilendirme kuralını bulmak için 3 algoritmaya sahiptir.
• Kullanıcılar WEKA'yı kullanarak makine öğrenimi için özel kod geliştirebilirler.

Sonuç

Bu WEKA eğitiminde, açık kaynaklı WEKA Makine Öğrenimi Yazılımına bir giriş sağladık ve adım adım indirme ve yükleme sürecini açıkladık. Ayrıca, Weka Grafik Kullanıcı Arayüzü için mevcut olan beş seçeneği, yani Explorer, Experimenter, Bilgi akışı, Workbench ve Simple CLI gördük.

WEKA'nın özelliklerini de örneklerle öğrendik. Özellikler arasında Veri Kümesi, ARFF Veri formatı, veritabanı bağlantısı vb. Bulunur.

=> Özel Makine Öğrenimi Serisi İçin Burayı Ziyaret Edin

Önerilen Kaynaklar

• Karar Ağacı İçin WEKA Veri Kümesi, Sınıflandırıcı ve J48 Algoritması
• WEKA Explorer: Görselleştirme, Kümeleme, İlişkilendirme Kural Madenciliği
• 2021'de En Popüler 11 Makine Öğrenimi Yazılım Aracı
• Makine Öğreniminde Yapay Sinir Ağına Eksiksiz Bir Kılavuz
• Veri Madenciliği - Makine Öğrenimi - Yapay Zeka - Derin Öğrenme
• Makine Öğrenimi Eğitimi: Makine Öğrenimi ve Uygulamalarına Giriş
• En İyi 13 En İyi Makine Öğrenimi Şirketi (2021 Listesi Güncellenmiştir)
• Makine Öğreniminde Destek Vektör Makinesi (SVM) Nedir?