Vowpal Wabbit
open source online bibliotheek en programma voor machinaal leren
Vowpal Wabbit (afgekort VW) is een command-line-interface- of CLI-programma en een bibliotheek (Engels: library) met algoritmes voor automatisch leren.[2]
| Vowpal Wabbit | ||||
|---|---|---|---|---|
| ||||
| ||||
Vowpal Wabbit 7.1 op Windows
| ||||
| Ontwerper(s) | John Langford | |||
| Ontwikkelaar(s) | Yahoo! Research, daarna Microsoft Research | |||
| Recentste versie | 9.9.0 (19 juli 2023)[1] 
| |||
| Status | Actief | |||
| Besturingssysteem | Multiplatform | |||
| Geschreven in | C++ | |||
| Categorie | Machinaal leren | |||
| Licentie(s) | BSD-licentie | |||
| Versiebeheer | Officiële broncode | |||
| Website | (en) Projectpagina | |||
| ||||
Over het programma
bewerkenVowpal Wabbit werd ontwikkeld door kunstmatige intelligentie wetenschapper John Langford,[3] eerst bij Yahoo! Research en daarna bij Microsoft Research.[4] Het programma is beschikbaar onder een BSD-licentie.[5] De naam 'Vowpal Wabbit' was geïnspireerd op de spraakstoornis van Elmer Fudd. Op deze manier zou Elmer het Engelse woord 'Vorpal Rabbit' uitspreken.[6]
Kenmerken
bewerkenKenmerkend voor Vowpal Wabbit is de schaalbaarheid, snelheid en efficiëntie.[7][8] 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
bewerkenVowpal 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
- Verliesfuncties (Engels: loss functions), zoals: quantile regressie, logistische regressie[9] en kwadratische fout (Engels: squared error)
- Optimalisatie algoritmes, zoals: BFGS, geconjugeerde gradiënten en stochastische gradiënten (SGD)
- Regularisatie, zoals: L1-regularisatie en L2-regularisatie[10]
Externe links
bewerken- (en) Officiële website
- (en) Vowpal Wabbit's Github repository
- (en) Documentatie en voorbeelden (Github wiki)
Bronnen, noten en/of referenties
- ↑ 9.9.0 Latest (19 juli 2023). Geraadpleegd op 24 juli 2023.
- ↑ (en) Ariel Faigon (2013) Vowpal Wabbit: An introduction and hands-on demo
- ↑ (en) John Langford op de Engelstalige Wikipedia
- ↑ (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
- ↑ (en) ...used to learn a tera-feature (1012) data-set on 1000 nodes in one hour.
- ↑ (nl) Radboud Universiteit (2014) Handleiding logistische regressieanalyse
- ↑ (nl) Nederlandse Organisatie voor Wetenschappelijk Onderzoek (2006) Leren door emperische L1 risicominimalisering, met L1 regularisatie