Оранжевый (программное обеспечение)

Апельсин
Разработчики)	Университет Любляны
Начальная версия	10 октября 1996 г .; 27 лет назад
Стабильная версия	3.37.0 / 27 мая 2024 г .; 21 день назад
Репозиторий	Оранжевый репозиторий
Написано в	Питон , Cython , C++ , C
Операционная система	Кросс-платформенный
Тип	Машинное обучение , Интеллектуальный анализ данных , Визуализация данных , Анализ данных
Лицензия	GPLv3 или новее
Веб-сайт	оранжевыйданныемайнинг .с

Типичный рабочий процесс в Orange. — Типичный рабочий процесс в Orange 3.

Orange — это с открытым исходным кодом набор инструментов для визуализации данных , машинного обучения и интеллектуального анализа данных . Он имеет визуального программирования интерфейс для исследовательского качественного анализа данных и интерактивной визуализации данных .

Описание [ править ]

Orange — это пакет программного обеспечения для визуального программирования на основе компонентов, предназначенный для визуализации данных , машинного обучения , интеллектуального анализа и анализа данных .

Оранжевые компоненты называются виджетами. Они варьируются от простой визуализации данных, выбора подмножества и предварительной обработки до эмпирической оценки алгоритмов обучения. и прогнозное моделирование .

Визуальное программирование реализуется через интерфейс, в котором рабочие процессы создаются путем связывания предопределенных или созданных пользователем виджетов , а опытные пользователи могут использовать Orange в качестве библиотеки Python для манипулирования данными и изменения виджетов. ^[5]

Программное обеспечение [ править ]

Orange — пакет программного обеспечения с открытым исходным кодом, выпущенный под лицензией GPL и размещенный на GitHub . Версии до 3.0 включают основные компоненты на C++ с оболочками на Python . Начиная с версии 3.0, Orange использует общие библиотеки Python с открытым исходным кодом для научных вычислений, такие как numpy , scipy и scikit-learn , а его графический пользовательский интерфейс работает в рамках кроссплатформенной среды Qt .

Установка по умолчанию включает ряд алгоритмов машинного обучения, предварительной обработки и визуализации данных в 6 наборах виджетов (данные, преобразование, визуализация, моделирование, оценка и неконтролируемый). Дополнительные функции доступны в виде надстроек (текстовый анализ, анализ изображений, биоинформатика и т. д.).

Orange поддерживается в macOS , Windows и Linux , а также может быть установлен из репозитория Python Package Index ( pip install Orange3 ).

Особенности [ править ]

Orange состоит из холстового интерфейса , на котором пользователь размещает виджеты и создает рабочий процесс анализа данных. Виджеты предлагают базовые функции, такие как чтение данных, отображение таблицы данных, выбор функций, обучение предикторов, сравнение алгоритмов обучения, визуализация элементов данных и т. д. Пользователь может в интерактивном режиме исследовать визуализации или передавать выбранное подмножество в другие виджеты.

Canvas : графический интерфейс для анализа данных.
Виджеты :
- Данные : виджеты для ввода данных, фильтрации данных, выборки, вменения, манипулирования функциями и выбора функций.
- Визуализация : виджеты для общей визуализации (ящичная диаграмма, гистограммы, точечная диаграмма) и многомерной визуализации (мозаичное отображение, ситовая диаграмма).
- Классифицировать : набор контролируемых алгоритмов машинного обучения для классификации.
- Регрессия : набор контролируемых алгоритмов машинного обучения для регрессии.
- Оценка : перекрестная проверка, процедуры на основе выборки, оценка надежности и оценка методов прогнозирования.
- Без учителя : алгоритмы обучения без учителя для кластеризации (k-средние, иерархическая кластеризация) и методы проецирования данных (многомерное масштабирование, анализ главных компонентов, анализ соответствий).

Дополнения [ править ]

Пользователи Orange могут расширить свой основной набор компонентов за счет компонентов в надстройках. Поддерживаемые дополнения включают в себя:

Associate : компоненты для анализа часто встречающихся наборов элементов и изучения правил ассоциации .
Биоинформатика : компоненты для анализа экспрессии генов, обогащения и доступа к базам данных экспрессии (например, Gene Expression Omnibus ) и библиотекам путей.
Объединение данных : компоненты для объединения различных наборов данных , коллективной матричной факторизации и исследования скрытых факторов.
Образовательные : компоненты для обучения концепциям машинного обучения, таким как кластеризация k-средних , полиномиальная регрессия , стохастический градиентный спуск ,...
Объяснение : предоставляет расширение с компонентами для объяснения модели, включая значений Шепли. анализ
Geo : компоненты для работы с геопространственными данными .
Аналитика изображений : компоненты для работы с изображениями и ImageNet . встраиваниями
Сеть : компоненты для графового и сетевого анализа .
Интеллектуальный анализ текста : компоненты для обработки естественного языка и интеллектуального анализа текста .
Временные ряды : компоненты виджетов для временных рядов . анализа и моделирования
Одноклеточный : поддержка анализа экспрессии генов в отдельных клетках, включая компоненты для загрузки данных об отдельных клетках, фильтрации и пакетного удаления эффектов, обнаружения маркерных генов, оценки клеток и генов, а также прогнозирования типов клеток.
График Каплана-Мейера на основе данных Survival Analysis отображает кривые выживаемости и поддерживает интерактивный выбор случаев.
Спектроскопия : компоненты для анализа и визуализации наборов (гипер)спектральных данных. ^[6]
Анализ выживания : дополнение для анализа данных, касающихся данных о выживании. Он включает виджеты для стандартных методов анализа выживаемости, таких как график Каплана-Мейера , регрессионная модель Кокса и несколько производных виджетов.
World Happiness : поддержка загрузки социально-экономических данных из базы данных, включая показатели ОЭСР и мирового развития . Обеспечивает доступ к тысячам страновых показателей из различных экономических баз данных.
Справедливость : дополнение для оценки и создания справедливых моделей машинного обучения без дискриминации. Виджеты варьируются от расчета показателей справедливости, таких как статистическая четность, до методов последующей, предварительной и внутренней обработки для построения справедливых моделей. ^[7]

Цели [ править ]

Программа предоставляет платформу для выбора экспериментов, систем рекомендаций и прогнозного моделирования и используется в биомедицине , биоинформатике , геномных исследованиях и преподавании. В науке он используется как платформа для тестирования новых алгоритмов машинного обучения и внедрения новых методов в генетике и биоинформатике. В образовании его использовали для обучения методам машинного обучения и интеллектуального анализа данных студентов биологии, биомедицины и информатики.

Расширения [ править ]

Различные проекты основаны на Orange либо путем расширения основных компонентов с помощью надстроек, либо с использованием только Orange Canvas для использования реализованных функций визуального программирования и графического пользовательского интерфейса.

OASYS — ORange Synchrotron Suite ^[8]
scOrange — биостатистика отдельных клеток
Квазар — анализ данных в естественных науках

История [ править ]

В 1996 году Люблянский университет и Институт Йожефа Стефана начали разработку ML*, среды машинного обучения на C++ , а в 1997 году для этой среды были разработаны привязки Python , которые вместе с появляющимися модулями Python образовали совместную структуру под названием Orange. В последующие годы большинство современных основных алгоритмов интеллектуального анализа данных и машинного обучения были реализованы в модулях C++ (ядро Orange) или Python.

В 2002 году были разработаны первые прототипы для создания гибкого графического пользовательского интерфейса с использованием мегавиджетов Pmw Python .
В 2003 году графический интерфейс пользователя был переработан и переработан для Qt платформы с использованием привязок PyQt Python. Была определена основа визуального программирования и началась разработка виджетов (графических компонентов конвейера анализа данных).
В 2005 году были созданы расширения для анализа данных в биоинформатике .
В 2008 году Mac OS X DMG и Fink . были разработаны установочные пакеты
В 2009 году было создано и поддерживается более 100 виджетов.
С 2009 года Orange находится в бета-версии 2.0, и на веб-сайте предлагаются установочные пакеты, основанные на ежедневном цикле компиляции.
В 2012 году была введена новая иерархия объектов, заменившая старую структуру, основанную на модулях.
В 2013 году был значительно изменен графический интерфейс пользователя, включивший новый набор инструментов и отображение рабочих процессов.
В 2015 году вышел Orange 3.0. Orange хранит данные в массивах NumPy ; Алгоритмы машинного обучения в основном используют scikit-learn .
В 2015 году было выпущено дополнение для анализа текста для Orange3.
В 2016 году Orange находится в версии 3.3. В разработке используется ежемесячный цикл стабильных выпусков.
В 2016 году началась разработка и выпуск надстройки Image Analytics с глубокими нейронными сетями на сервере для встраивания изображений. ^[9]
В 2017 году была представлена надстройка «Спектроскопия» для анализа спектральных данных. ^[10]
В 2017 году было представлено дополнение Geo для работы с данными геолокации и визуализации географических карт. ^[11]
В 2018 году начата разработка и выпуск дополнения для анализа одноклеточных данных. ^[12]
В 2019 году графический интерфейс Orange разрабатывается как отдельный проект Orange-Canvas-Core. ^[13]
дополнение «Объяснение» с виджетами для объяснения модели классификации или регрессии В 2020 году представлено . В нем объясняется, какие функции вносят наибольший вклад и как они способствуют прогнозированию определенного класса.
В 2022 году будет представлено дополнение World Happiness к пакету интеллектуального анализа данных Orange3. Он предоставляет виджеты для доступа к социально-экономическим данным из различных баз данных, таких как World Happiness Report , World Development Indicators , OECD.
В 2022 году надстройка «Объяснение» расширена за счет графика индивидуального условного ожидания и метода важности функций перестановки.
В 2023 году будет представлено дополнение Fairness. Благодаря виджетам для расчета показателей справедливости, а также виджетам для методов предварительной, последующей и внутренней обработки, он позволяет строить справедливые модели без дискриминации. <ссылка>

Ссылки [ править ]

^ «orange3/CHANGELOG.md в master. biolab/orange3. GitHub» . Гитхаб .
^ «Выпуск 3.37.0» . 27 мая 2024 г. Проверено 2 июня 2024 г.
^ «Оранжевый — Лицензия» .
^ «orange3/LICENSE в master. biolab/orange3. GitHub» . Гитхаб .
^ Янез Демшар; Томаж Цурк; Алеш Эрьявец; линия Горупа; Томаж Хочевар; Митар Милутинович; Мартин Можина; Матия Полайнар; Марко Топлак; Анже Старич; Миха Стайдохар; Лен Умек; Флакс Сойер; Юре Жбонтар; Маринка Житник; Блаж Жупан (2013). «Оранжевый: набор инструментов для интеллектуального анализа данных на Python» (PDF) . Журнал исследований машинного обучения . 14 (1): 2349–2353.
^ Топлак, М.; Бирарда, Г.; Рид, С.; Сандт, К.; Розендаль, С.М.; Ваккари, Л.; Демшар Дж.; Борондикс, Ф. (2017). «Инфракрасный оранжевый: соединение гиперспектральных данных с машинным обучением». Новости синхротронного излучения . 30 (4): 40–45. Бибкод : 2017SRНовый..30...40Т . дои : 10.1080/08940886.2017.1338424 . S2CID 125273654 .
^ Йомиды. «Проверка ИИ на дискриминацию через графический интерфейс с помощью дополнения Orange Fairness» . ИОМИДЫ.
^ Санчес Дель Рио, Мануэль; Ребуффи, Лука (2017). «OASYS (или Ange SYnchrotron Suite): графическая среда с открытым исходным кодом для виртуальных рентгеновских экспериментов». В Чубарь, Олег; Сони, Кавал (ред.). Достижения в вычислительных методах рентгеновской оптики IV . п. 28. дои : 10.1117/12.2274263 . ISBN 9781510612334 . S2CID 117118973 .
^ Примож Годец; Матяж Панчур; Нейц Иленич; Андрей Чопар; Мартин Стражар; Алеш Эрьявец; Гречневый претнар; Янез Демшар; Марко Топлак; Анже Старич; Флакс Сойер; Ян Хартман; Гамильтон Ван; Риккардо Беллацци; Урош Петрович; Сильвия Гаранья; Маурицио Зуккотти; Парк Донгсу; Гад Шаульский; Блаж Жупан (2019). «Демократизированная аналитика изображений посредством визуального программирования за счет интеграции глубоких моделей и мелкомасштабного машинного обучения» . Природные коммуникации . 10 (1): 4551. Бибкод : 2019NatCo..10.4551G . дои : 10.1038/s41467-019-12397-x . ПМК 6779910 . ПМИД 31591416 . S2CID 203782491 .
^ Марко Топлак; Стюарт Т. Рид; Кристоф Сандт; Ференц Борондич (2021). «Квазар: простое машинное обучение для биоспектроскопии» . Клетки . 10 (9): 2300. doi : 10.3390/cells10092300 . ПМЦ 8466383 . ПМИД 34571947 .
^ «Документация Orange3-Geo — Документация Orange3-Geo» .
^ Мартин Стражар; Флакс Сойер; Яка Кокошар; Весна Танко; Алеш Эрьявец; Павлин Г. Поличар; Анже Старич; Янез Демшар; Гад Шаульский; Вилас Менон; Эндрю Лемир; Ануп Парих; Блаж Жупан (2021). «scOrange — инструмент для практического обучения концепциям анализа одноячеечных данных» . Биоинформатика . 35 (14): i4–i12. doi : 10.1093/биоинформатика/btz348 . ПМК 6612816 . ПМИД 31510695 .
^ «Оранжевое ядро холста» . Гитхаб .

Дальнейшее чтение [ править ]

Демшар, Янез и Блаж Жупан, Плодотворный и увлекательный анализ данных – историческая перспектива , Informatica 37, стр. 55–60, (2013).

Внешние ссылки [ править ]

[1] «orange3/CHANGELOG.md в master. biolab/orange3. GitHub» . Гитхаб .

[wikidata-a4bbbf8df5f95aa4948f31bccacec83fac59e91c-v12-2] «Выпуск 3.37.0» . 27 мая 2024 г. Проверено 2 июня 2024 г.

[3] «Оранжевый — Лицензия» .

[4] «orange3/LICENSE в master. biolab/orange3. GitHub» . Гитхаб .

[5] Янез Демшар; Томаж Цурк; Алеш Эрьявец; линия Горупа; Томаж Хочевар; Митар Милутинович; Мартин Можина; Матия Полайнар; Марко Топлак; Анже Старич; Миха Стайдохар; Лен Умек; Флакс Сойер; Юре Жбонтар; Маринка Житник; Блаж Жупан (2013). «Оранжевый: набор инструментов для интеллектуального анализа данных на Python» (PDF) . Журнал исследований машинного обучения . 14 (1): 2349–2353.

[6] Топлак, М.; Бирарда, Г.; Рид, С.; Сандт, К.; Розендаль, С.М.; Ваккари, Л.; Демшар Дж.; Борондикс, Ф. (2017). «Инфракрасный оранжевый: соединение гиперспектральных данных с машинным обучением». Новости синхротронного излучения . 30 (4): 40–45. Бибкод : 2017SRНовый..30...40Т . дои : 10.1080/08940886.2017.1338424 . S2CID 125273654 .

[7] Йомиды. «Проверка ИИ на дискриминацию через графический интерфейс с помощью дополнения Orange Fairness» . ИОМИДЫ.

[8] Санчес Дель Рио, Мануэль; Ребуффи, Лука (2017). «OASYS (или Ange SYnchrotron Suite): графическая среда с открытым исходным кодом для виртуальных рентгеновских экспериментов». В Чубарь, Олег; Сони, Кавал (ред.). Достижения в вычислительных методах рентгеновской оптики IV . п. 28. дои : 10.1117/12.2274263 . ISBN 9781510612334 . S2CID 117118973 .

[9] Примож Годец; Матяж Панчур; Нейц Иленич; Андрей Чопар; Мартин Стражар; Алеш Эрьявец; Гречневый претнар; Янез Демшар; Марко Топлак; Анже Старич; Флакс Сойер; Ян Хартман; Гамильтон Ван; Риккардо Беллацци; Урош Петрович; Сильвия Гаранья; Маурицио Зуккотти; Парк Донгсу; Гад Шаульский; Блаж Жупан (2019). «Демократизированная аналитика изображений посредством визуального программирования за счет интеграции глубоких моделей и мелкомасштабного машинного обучения» . Природные коммуникации . 10 (1): 4551. Бибкод : 2019NatCo..10.4551G . дои : 10.1038/s41467-019-12397-x . ПМК 6779910 . ПМИД 31591416 . S2CID 203782491 .

[10] Марко Топлак; Стюарт Т. Рид; Кристоф Сандт; Ференц Борондич (2021). «Квазар: простое машинное обучение для биоспектроскопии» . Клетки . 10 (9): 2300. doi : 10.3390/cells10092300 . ПМЦ 8466383 . ПМИД 34571947 .

[11] «Документация Orange3-Geo — Документация Orange3-Geo» .

[12] Мартин Стражар; Флакс Сойер; Яка Кокошар; Весна Танко; Алеш Эрьявец; Павлин Г. Поличар; Анже Старич; Янез Демшар; Гад Шаульский; Вилас Менон; Эндрю Лемир; Ануп Парих; Блаж Жупан (2021). «scOrange — инструмент для практического обучения концепциям анализа одноячеечных данных» . Биоинформатика . 35 (14): i4–i12. doi : 10.1093/биоинформатика/btz348 . ПМК 6612816 . ПМИД 31510695 .

[13] «Оранжевое ядро холста» . Гитхаб .

[1]

[2]

[3]

[4]

[5]

[6]

[7]

[8]

[9]

[10]

[11]

[12]

[13]