این اپلیکیشن ویندوزی با نام Python Outlier Detection است که آخرین نسخه آن را می‌توان به صورت v1.0.8.zip دانلود کرد. می توان آن را به صورت آنلاین در ارائه دهنده میزبانی رایگان OnWorks برای ایستگاه های کاری اجرا کرد.
این اپلیکیشن با نام Python Outlier Detection را با OnWorks به صورت آنلاین دانلود و اجرا کنید.
برای اجرای این برنامه این دستورالعمل ها را دنبال کنید:
- 1. این برنامه را در رایانه شخصی خود دانلود کنید.
- 2. در فایل منیجر ما https://www.onworks.net/myfiles.php?username=XXXXX نام کاربری مورد نظر خود را وارد کنید.
- 3. این برنامه را در چنین فایل منیجر آپلود کنید.
- 4. هر شبیه ساز آنلاین OS OnWorks را از این وب سایت راه اندازی کنید، اما شبیه ساز آنلاین ویندوز بهتر است.
- 5. از OnWorks Windows OS که به تازگی راه اندازی کرده اید، به مدیر فایل ما https://www.onworks.net/myfiles.php?username=XXXXX با نام کاربری که می خواهید بروید.
- 6. برنامه را دانلود و نصب کنید.
- 7. Wine را از مخازن نرم افزار توزیع لینوکس خود دانلود کنید. پس از نصب، می توانید روی برنامه دوبار کلیک کنید تا آنها را با Wine اجرا کنید. همچنین می توانید PlayOnLinux را امتحان کنید، یک رابط کاربری فانتزی بر روی Wine که به شما کمک می کند برنامه ها و بازی های محبوب ویندوز را نصب کنید.
Wine راهی برای اجرای نرم افزار ویندوز بر روی لینوکس است، اما بدون نیاز به ویندوز. Wine یک لایه سازگار با ویندوز منبع باز است که می تواند برنامه های ویندوز را مستقیماً بر روی هر دسکتاپ لینوکس اجرا کند. اساساً، Wine در تلاش است تا به اندازه کافی از ویندوز را از ابتدا مجدداً پیاده سازی کند تا بتواند همه آن برنامه های ویندوز را بدون نیاز به ویندوز اجرا کند.
عکس ها
Ad
تشخیص بیرونی پایتون
شرح
PyOD یک جعبه ابزار Python جامع و مقیاس پذیر برای تشخیص اشیاء بیرونی در داده های چند متغیره است. این میدان هیجان انگیز و در عین حال چالش برانگیز معمولاً به عنوان تشخیص پرت یا تشخیص ناهنجاری شناخته می شود. PyOD شامل بیش از 30 الگوریتم تشخیص است، از LOF کلاسیک (SIGMOD 2000) تا آخرین COPOD (ICDM 2020) و SUOD (MLSys 2021). از سال 2017، PyOD [AZNL19] با موفقیت در بسیاری از تحقیقات دانشگاهی و محصولات تجاری [AZHC+21، AZNHL19] استفاده شده است. PyOD چندین مدل مبتنی بر شبکه عصبی دارد، به عنوان مثال، AutoEncoder، که در PyTorch و Tensorflow پیاده سازی می شوند. PyOD شامل چندین مدل است که در scikit-learn نیز وجود دارند. آموزش و پیش بینی با تعداد زیادی مدل تشخیص در PyOD با استفاده از چارچوب SUOD امکان پذیر است. یک معیار برای الگوریتم‌های انتخابی ارائه می‌شود تا یک نمای کلی از مدل‌های پیاده‌سازی شده ارائه شود. در مجموع، 17 مجموعه داده معیار برای مقایسه استفاده می شود که می توان آنها را در ODDS دانلود کرد.
امکانات
- API های یکپارچه، مستندات دقیق، و نمونه های تعاملی در الگوریتم های مختلف
- مدل‌های پیشرفته، از جمله مدل‌های کلاسیک از Sicit-Learn، جدیدترین روش‌های یادگیری عمیق، و الگوریتم‌های نوظهور مانند COPOD
- عملکرد بهینه شده با JIT و موازی سازی در صورت امکان، با استفاده از numba و joblib
- آموزش سریع و پیش بینی با SUOD
- سازگار با هر دو پایتون 2 و 3
- الگوریتم های تشخیص فردی
زبان برنامه نویسی
پــایتــون
دسته بندی ها
این برنامه ای است که می تواند از https://sourceforge.net/projects/python-outlier-detect.mirror/ نیز دریافت شود. در OnWorks میزبانی شده است تا به آسانی از یکی از سیستم عامل های رایگان ما به صورت آنلاین اجرا شود.
