Questa è l'app di Windows denominata LWPR la cui ultima versione può essere scaricata come lwpr-1.2.6.zip. Può essere eseguito online nel provider di hosting gratuito OnWorks per workstation.
Scarica ed esegui online questa app denominata LWPR con OnWorks gratuitamente.
Segui queste istruzioni per eseguire questa app:
- 1. Scaricata questa applicazione sul tuo PC.
- 2. Entra nel nostro file manager https://www.onworks.net/myfiles.php?username=XXXXX con il nome utente che desideri.
- 3. Carica questa applicazione in tale file manager.
- 4. Avvia qualsiasi emulatore online OS OnWorks da questo sito Web, ma migliore emulatore online Windows.
- 5. Dal sistema operativo OnWorks Windows che hai appena avviato, vai al nostro file manager https://www.onworks.net/myfiles.php?username=XXXXX con il nome utente che desideri.
- 6. Scarica l'applicazione e installala.
- 7. Scarica Wine dai repository software delle tue distribuzioni Linux. Una volta installato, puoi quindi fare doppio clic sull'app per eseguirli con Wine. Puoi anche provare PlayOnLinux, un'interfaccia fantasiosa su Wine che ti aiuterà a installare programmi e giochi Windows popolari.
Wine è un modo per eseguire il software Windows su Linux, ma senza Windows richiesto. Wine è un livello di compatibilità Windows open source in grado di eseguire programmi Windows direttamente su qualsiasi desktop Linux. Essenzialmente, Wine sta cercando di re-implementare abbastanza Windows da zero in modo che possa eseguire tutte quelle applicazioni Windows senza effettivamente bisogno di Windows.
LWPR
Ad
DESCRIZIONE
Locally Weighted Projection Regression (LWPR) è un algoritmo online completamente incrementale per l'approssimazione di funzioni non lineari in spazi ad alta dimensione, in grado di gestire dimensioni di input ridondanti e irrilevanti. Al suo interno, utilizza modelli localmente lineari, attraversati da un piccolo numero di regressioni univariate in direzioni selezionate nello spazio di input. Una variante pesata localmente dei minimi quadrati parziali (PLS) viene impiegata per eseguire la riduzione della dimensionalità. Si prega di citare:
[1] Sethu Vijayakumar, Aaron D'Souza e Stefan Schaal, Incremental Online Learning in High Dimensions, Neural Computation, vol. 17, n. 12, pagg. 2602-2634 (2005).
[2] Stefan Klanke, Sethu Vijayakumar e Stefan Schaal, A Library for Locally Weighted Projection Regression, Journal of Machine Learning Research (JMLR), vol. 9, pp. 623-626 (2008).
Maggiori dettagli e linee guida per l'utilizzo sul sito web del codice.
Linguaggio di programmazione
C, MATLAB, Python
Categorie
Questa è un'applicazione che può essere scaricata anche da https://sourceforge.net/projects/lwpr/. È stato ospitato in OnWorks per essere eseguito online nel modo più semplice da uno dei nostri sistemi operativi gratuiti.
