Gebruiker:Ahappylittletree/Kladblok
Vowpal Wabbit | ||||
---|---|---|---|---|
Vowpal Wabbit 7.1 op Windows
| ||||
Ontwikkelaar(s) | Yahoo! Research & daarna Microsoft Research | |||
Recentste versie | 7.5 (januari 2014) | |||
Status | Actief | |||
Besturingssysteem | Multiplatform | |||
Geschreven in | C++ | |||
Categorie | Datamining, Machinaal leren | |||
Licentie(s) | BSD-licentie | |||
Website | (en) Projectpagina | |||
|
a happy little tree 8 apr 2014 02:36 (CEST)
Vowpal Wabbit[bewerken | brontekst bewerken]
• · Vowpal Wabbit (afgekort VW) is een command-line-interface (CLI) programma en een bibliotheek (Engels: library) met algoritmes voor automatisch leren.[1] Het programma werd ontwikkeld door kunstmatige intelligentie wetenschapper John Langford[2], eerst bij Yahoo! Research en daarna bij Microsoft Research.[3] Het programma is beschikbaar onder een BSD-licentie.[4] De naam 'Vowpal Wabbit' is geïnspireerd op het taalgebruik van Elmer Fudd. Op deze manier zou Elmer het Engelse woord 'Vorpal Rabbit' uitspreken.[5]
Kenmerken[bewerken | brontekst bewerken]
Kenmerkend voor Vowpal Wabbit is de schaalbaarheid, snelheid, en efficientie.[6] De volgende factoren dragen hieraan bij:
- Gecompileerde C++ code
- De hash-truuk (Engels: Hashing trick)
- Support voor multithreading
- Out-of-core online machinaal leren, hierbij hoeft niet alle data in het geheugen te worden geladen.
Programmafuncties[bewerken | brontekst bewerken]
Vowpal Wabbit biedt ondersteuning voor een ruim aantal algoritmes en leermethodes, waaronder:
- Problemen uit machinaal leren, zoals: classificatie, regressie en actief leren
- Algoritmes voor automatisch leren, zoals: OLS regressie, neurale netwerken, SEARN (Search and learn), en LDA[7]
- Verliesfuncties (Engels: loss functions), zoals: quantile regressie, logistische regressie[8] en kwadratische fout (Engels: squared error)
- Optimalisatie algoritmes, zoals: BFGS[9], geconjugeerde gradiënten, en stochastische gradiënten (SGD[10])
- Regularisatie, zoals: L1 regularisatie en L2 regularisatie[11]
Externe links[bewerken | brontekst bewerken]
- (en) Officiële website
- (en) Vowpal Wabbit's Github repository
- (en) Documentatie en voorbeelden (Github wiki)
- ↑ (en) Ariel Faigon (2013) Vowpal Wabbit: An introduction and hands-on demo
- ↑ (en) Wikipedia on John Langford
- ↑ (en) Rob Knies (2012) Microsoft Research Debuts N.Y.C. Lab
- ↑ (en) Github (2014) Licentie
- ↑ (en) Yahoo! Research (2011) One fast wabbit
- ↑ (en) Alekh Agarwal, Olivier Chapelle, Miroslav Dudik, John Langford (2011) A Reliable Effective Terascale Linear Learning System ...used to learn a tera-feature (1012) data-set on 1000 nodes in one hour.
- ↑ (en) Wikipedia on Latent Dirichlet Allocation
- ↑ (nl) Radboud Universiteit (2014) Handleiding logistische regressie analyse
- ↑ (en) Wikipedia on Broyden–Fletcher–Goldfarb–Shanno algorithm
- ↑ (en) Wikipedia on Stochastic Gradient Descent
- ↑ (nl) Nederlandse Organisatie voor Wetenschappelijk Onderzoek (2006) Leren door emperische L1 risicominimalisering, met L1 regularisatie