User

ATH: 1000

About iMLOv

我們相信,即使沒有接受過資訊學相關正式訓練的訓練,只要有友善的使用者介面,每個人使用機器學習都可以輕易上手。我們打造了iMLOv系統,將一些知名的機器學習演算法結合起來,放在同一個簡單的使用介面。只要幾個「下一步」指令,就可以使用iMLOv系統。此外,這個系統接受和Excel相容的CSV檔案,並符合「一行一案」的格式。

機器學習對於分類數據和就既有的數據做出決策的時候,都是很重要的技術。這對大數據分析和人工智慧來說也是關鍵。在數位的時代裡,各種數據大量暴增(像是蛋白質組學、基因組學、公共衛生等),機器學習對未來生物學領域和醫藥科學領域的發展,都扮演著重要的角色。然而,大部分的機器學習軟體對不熟悉程式語言或命令行介面的使用者來說,還是有使用上的困難。因此,我們結合決策樹、支援向量機、人工神經網路和隨機森林演算法,打造出這個即使不是專家也能輕易上手的平台。同時我們也利用基因演算法執行特徵的選擇。iMLOv系統對科學家的研究領域勢必會有相當的貢獻。

請注意,本網頁僅為示範平臺,所有資料均以預先計算完畢。

歡迎體驗 AIgatha 的 AI 預測平臺,
請選擇您感興趣的議題。

Dota2 Games

你有想過,當你選好角色,就可以知道這場遊戲的勝負嗎?只要蒐集一些簡單的雙方出場角色的數據,就可以讓你提前知道這場遊戲的結局!



Raw data : 92650

Features : 116

Downloading dateset

Bank

你有想過,銀行不需要直接詢問你要不要購買他們的金融商品,就知道你會購買什麼樣的金融商品嗎?只要蒐集大量客戶資料,透過分析就會知道你會產生的行為!


Raw data: 4119

Features: 16

Downloading dateset

CPBL Games

在以往的賽事預測中,人們直覺地認為,隊伍或個人的守備率、防禦率、失誤率等選手參數應該是要被採納的。但你可曾有想過,如果只蒐集環境的參數(例如月份、場地、主客隊等),就可以讓你提前知道這場球賽的勝負!

Raw data: 330

Features: 15

Downloading dateset

Setting of the Task(Dota)


Information of your training data

訓練資料筆數: 92650  預測資料筆數: 10294

特徵值筆數: 116


Testing


Groping method :

Setting of the Task(Bank)


Information of your training data

訓練資料筆數: 4119  預測資料筆數: 41188

特徵值筆數: 16


Testing


Groping method :

Setting of the Task(CPBL)


Information of your training data

預測資料筆數: 330  預測資料筆數: 30

特徵值筆數: 15


Testing


Groping method :

Job ID (Dota):

0x0Ec8Baafa891

Return time:

2 hr

Job size:

25 Mb

Job ID (Bank):

0x1543d0F83489

Return time :

2 hr

Job size:

20 Mb

Job ID (CPBL):

0xca7AEB423e79

Return time :

2 hr

Job size:

3 Mb

Data

Training filedota2_train.csv

Prediction filedota2_prediction_test.csv

Case filesNull

Model fileNull

Tasks to perform

Features filesTraining

MethodN-fold cross validation

Number of fold3

Grouping methodInterval

Algorithms to integrate

Your algorithms list

Support Vector Machine

Artificial Neural Network

Decision Tree

Setting of the selected algorithms

Support Vector Machine

生態群數目10

平衡類別模式max*1

快速最佳化Yes

Log2g trial valuesiMLOv default

Artificial Neural Network

生態群數目20

平衡類別模式max*1

快速最佳化Yes

Decision Tree

生態群數目100

平衡類別模式max*1

快速最佳化Yes

Bank

Training filebank_train.csv

Prediction filebank_prediction_test.csv

Case filesNull

Model fileNull

Tasks to perform

Features filesTraining

MethodN-fold cross validation

Number of fold3

Grouping methodInterval

Algorithms to integrate

Your algorithms list

Support Vector Machine

Artificial Neural Network

Decision Tree

Setting of the selected algorithms

Support Vector Machine

生態群數目10

平衡類別模式max*1

快速最佳化Yes

Log2g trial valuesiMLOv default

Artificial Neural Network

生態群數目20

平衡類別模式max*1

快速最佳化Yes

Decision Tree

生態群數目100

平衡類別模式max*1

快速最佳化Yes

CPBL

Training filecpbl_train.csv

Prediction filecpbl_prediction_test.csv

Case filesNull

Model fileNull

Tasks to perform

Features filesTraining

MethodN-fold cross validation

Number of fold3

Grouping methodInterval

Algorithms to integrate

Your algorithms list

Support Vector Machine

Artificial Neural Network

Decision Tree

Setting of the selected algorithms

Support Vector Machine

生態群數目10

平衡類別模式max*1

快速最佳化Yes

Log2g trial valuesiMLOv default

Artificial Neural Network

生態群數目20

平衡類別模式max*1

快速最佳化Yes

Decision Tree

生態群數目100

平衡類別模式max*1

快速最佳化Yes

親愛的用戶您好,您所提交的專案(0x0Ec8Baafa891) 已成功計算完畢。

以下圓餅圖是每個機器學習演算法的效能評估,您可以下載檔案來獲取預測結果。

Integrated

預測資料筆數: 10294

正確預測率: 60.11%

錯誤率: 39.89%

預測結果下載

AUC

0.639

SEN

0.554

SPC

0.639

FPR

0.361

FNR

0.446

MCC

0.194

Support Vector Machine

預測資料筆數: 10294

正確預測率: 59.42%

錯誤率: 40.58%

預測結果下載

AUC

0.630

SEN

0.510

SPC

0.670

FPR

0.330

FNR

0.490

MCC

0.182

Artificial Neural Network

預測資料筆數: 10294

正確預測率: 56.94%

錯誤率: 40.36%

預測結果下載

AUC

0.608

SEN

0.633

SPC

0.669

FPR

0.329

FNR

0.481

MCC

0.189

Decision Tree

預測資料筆數: 10294

正確預測率: 58.38%

錯誤率: 41.62%

預測結果下載

AUC

0.622

SEN

0.581

SPC

0.596

FPR

0.414

FNR

0.409

MCC

0.177

親愛的用戶您好,您所提交的專案(0x1543d0F83489) 已成功計算完畢。

以下圓餅圖是每個機器學習演算法的效能評估,您可以下載檔案來獲取預測結果。

INTEGRATED

預測資料筆數: 41188

正確預測率: 91.74%

錯誤率: 8.26%

預測結果下載

AUC

0.943

SEN

0.972

SPC

0.491

FPR

0.509

FNR

0.028

MCC

0.538

Support Vector Machine

預測資料筆數: 41188

正確預測率: 90.82%

錯誤率: 9.18%

預測結果下載

AUC

0.985

SEN

0.985

SPC

0.785

FPR

0.225

FNR

0.050

MCC

0.685

Artificial Neural Network

預測資料筆數: 41188

正確預測率: 90.5%

錯誤率: 9.50%

預測結果下載

AUC

0.922

SEN

0.958

SPC

0.488

FPR

0.512

FNR

0.042

MCC

0.486

Decision Tree

預測資料筆數: 41188

正確預測率: 91.52%

錯誤率: 8.48%

預測結果下載

AUC

0.934

SEN

0.945

SPC

0.684

FPR

0.316

FNR

0.055

MCC

0.599

親愛的用戶您好,您所提交的專案(0xca7AEB423e79) 已成功計算完畢。

以下圓餅圖是每個機器學習演算法的效能評估,您可以下載檔案來獲取預測結果。

INTERGRATRESD

預測資料筆數: 40

正確預測率: 90.00%

錯誤率: 10.00%

預測結果下載

AUC

0.877

SEN

0.905

SPC

0.842

FPR

0.158

FNR

0.095

MCC

0.750

Support Vector Machine

預測資料筆數: 40

正確預測率: 80.00%

錯誤率: 20.00%

預測結果下載

AUC

0.822

SEN

0.905

SPC

0.737

FPR

0.263

FNR

0.095

MCC

0.654

Artificial Neural Network

預測資料筆數: 40

正確預測率: 77.50%

錯誤率: 22.50%

預測結果下載

AUC

0.905

SEN

0.762

SPC

0.842

FPR

0.158

FNR

0.238

MCC

0.604

Decision Tree

預測資料筆數: 40

正確預測率: 85.00%

錯誤率: 15.00%

預測結果下載

AUC

0.860

SEN

0.905

SPC

0.737

FPR

0.263

FNR

0.095

MCC

0.654

感謝您體驗示範系統,希望透過上述的過程能讓您瞭解 AIgatha 未來將如何推廣人工智慧落實在每個人生活周遭。
未來不再會是演算法的競賽,而是資料源的競賽,我們認為有價值的不是工具本身,而是產業透過工具要解決的商業問題。
希望每個人,可以透過這個平台嘗試去篩選適合自己問題的人工智慧演算法,還有資料的特徵值。讓更多新創公司能專注於開發演算法並在我們的平臺上販售。

在機器學習的領域裡,我們透過訓練(Training)來建立人工智慧的預測模型。透過測試(Testing)來瞭解訓練後的成效。透過獨立測試(Indepedent testing)來瞭解這組模型是否有足夠的彈性來面對未知的資料。最終,我們透過預測(Prediction)來得到我們解決的問題的答案

選擇你想要使用的機器學習演算法,這會影響到運算時間、費用以及準確度。建議第一次執行時全部選擇,以瞭解適合的演算法。

上傳資料集來源,我們在初始的頁面提供了範例下載,使用者可參考壓縮檔裡的CSV格式檔案。

檢查完成

Task: 選擇你要切割專案(Project)的數量
請注意,切割專案的數目未必與運算時間成線性關係
Miner: 選擇每個任務(Task)需要被幾個礦工驗證
每個任務(Task)至少要兩個礦工以上做驗證

Algorithms




快速最佳化:



快速最佳化:



快速最佳化:





選擇你要執行的任務。

目前的平臺是展示用,所以只能限定部分功能。

任務(Project)將由使用者的電腦上傳至最近的時空堡壘(Chronos Fortress),並經過估算、驗證、偵錯等步驟。

時空堡壘(Chronos Fortress)將任務均等分之後,
將專案運算的費用估值回傳給使用者。

2 hr
70 ATH