Jubatus

Jubatus es un marco de trabajo de computación distribuida y aprendizaje automático en línea de código abierto desarrollado en Nippon Telegraph and Telephone y Preferred Infrastructure. Sus características incluyen clasificación , recomendación , regresión , detección de anomalías y minería de gráficos. Admite muchos lenguajes de cliente, incluidos C++ , Java , Ruby y Python . Utiliza mezcla de parámetros iterativos ^{[1] [2]} para el aprendizaje automático distribuido.

Características notables

Jubatus admite:

• Algoritmos de multiclasificación:
  • Perceptrón
  • Pasivo-agresivo ^{[3] [4] [5]}
  • Ponderación de confianza ^{[6] [7] [8]}
  • Regularización adaptativa de vectores de peso ^[9]
  • Manada normal ^[10]
• Algoritmos de recomendación que utilizan:
  • Índice invertido
  • Minhash
  • Hashing sensible a la localidad
• Algoritmos de regresión:
  • Pasivo agresivo
• Método de extracción de características para lenguaje natural:
  • n-grama
  • Segmentación de texto

Referencias

1. Ryan McDonald, K. Hall y G. Mann, Estrategias de entrenamiento distribuido para el perceptrón estructurado, Asociación Norteamericana de Lingüística Computacional (NAACL), 2010.
2. Gideon Mann, R. McDonald, M. Mohri, N. Silberman y D. Walker, Entrenamiento distribuido eficiente a gran escala de modelos de entropía máxima condicional, Neural Information Processing Systems (NIPS), 2009.
3. Crammer, Koby; Dekel, Ofer ; Shalev-Shwartz, Shai; Singer, Yoram (2003). Algoritmos pasivo-agresivos en línea . Actas de la decimosexta conferencia anual sobre sistemas de procesamiento de información neuronal (NIPS).
4. Koby Crammer y Yoram Singer. Algoritmos en línea ultraconservadores para problemas multiclase. Journal of Machine Learning Research, 2003.
5. Koby Crammer, Ofer Dekel, Joseph Keshet, Shai Shalev-Shwartz, Yoram Singer, Algoritmos pasivo-agresivos en línea. Revista de investigación en aprendizaje automático, 2006.
6. Mark Dredze, Koby Crammer y Fernando Pereira, Clasificación lineal ponderada por confianza, Actas de la 25.ª Conferencia internacional sobre aprendizaje automático (ICML), 2008
7. Koby Crammer, Mark Dredze y Fernando Pereira, Aprendizaje ponderado por confianza convexa exacta, Actas de la vigésimo segunda conferencia anual sobre sistemas de procesamiento de información neuronal (NIPS), 2008
8. Koby Crammer, Mark Dredze y Alex Kulesza, Algoritmos multiclase ponderados por confianza, Métodos empíricos en el procesamiento del lenguaje natural (EMNLP), 2009
9. Koby Crammer, Alex Kulesza y Mark Dredze, Regularización adaptativa de vectores de peso, Avances en sistemas de procesamiento de información neuronal, 2009
10. Koby Crammer y Daniel D. Lee, Aprendizaje mediante pastoreo gaussiano, Sistemas de procesamiento de información neuronal (NIPS), 2010.