数据挖掘常用的软件有哪些?

1、Rapid Miner

Rapid Miner是一个数据科学软件平台，为数据准备、机器学习、深度学习、文本挖掘和预测分析提供一种集成环境。它是领先的数据挖掘开源系统之一。该程序完全用Java编程语言编写。该程序提供了一个选项，以便用户试用大量可任意嵌套的 *** 作符，这些 *** 作符在XML文件中有详细说明，可由Rapid Miner的图形用户界面来构建。

2、Orange

Orange是一个开源数据可视化、机器学习和数据挖掘工具包。它有一个可视化编程前端，可用于探索性数据分析和交互式数据可视化。Orange是一个基于组件的可视化编程软件包，用于数据可视化、机器学习、数据挖掘和数据分析。Orange组件称为窗口组件，范围广泛：从简单的数据可视化、子集选择和预处理，到学习算法和预测建模的评估，不一而足。Orange的可视化编程通过界面来进行，其中工作流程通过连接预定义或用户设计的窗口组件来创建，而高级用户可以将Orange用作Python库，以便 *** 纵数据和更改窗口组件。

3、Kaggle

Kaggle是世界上数据科学家和机器学习者社区。Kaggle以开设机器学习竞赛起家，但现在逐渐变成基于公共云的数据科学平台。Kaggle是一个平台，有助于解决难题、招募强大的团队并宣传数据科学的力量。

4、Weka

怀卡托知识分析环境(Weka)是新西兰怀卡托大学开发的一套机器学习软件。该软件用Java编写。它含有一系列面山扮伍向数据分析和预测建模的可视化工具和算法，附带图形用户界面。Weka支持几种标准数据挖掘任务，更具缺备体地说是指数据预处理、聚类、分类、回归、可视化和特征选择。

关于数据挖掘常用的软件有哪些，青藤小编就和您分享到这里了。如果你对大数据工程有浓厚的兴趣，希望这篇文章能够对你有所帮助。如果您还想了逗或解更多数据分析师、大数据工程师的技巧及素材等内容，可以点击本站的其他文章进行学习。

带不动有几种情况视情况而定，这种数据 一般是衫颂内存问题，如果数据量很大 对硬盘读写也有要求，如果有条件可以购买大一点的内存条建议16G ，如果不行可以用筛选进行处理，般取最近几个月的凳塌搏数据就枣祥行了

机器之心报道

编辑：陈萍、小舟

对于没有 GPU 的小伙伴们来说，谷歌 Colab 是一个公认的「真香」神器，穷苦学生党也能免费薅羊毛。

不过，使用的人多了，难免会出现不如意的情况，几个小时就掉一次线、分配的 RAM 不足等问题随之而来。然后 Colab 开启了会员机制。

就在前几天 Colab 搞了个会员 Colab Pro+，每月 50 刀、训练 24 小时不掉线。除了这种堪称至尊会员 Pro + 外，还有每月差不多 10 美元的 Colab Pro 超级会员。

据了解，Pro + 最大的特点是「后台执行」，关了浏览器还能运行那种。此外，Pro + 版的 GPU、内存和运行时长也将全面升级。

Pro + 究竟升级了什么，谷歌在「常见问题解答」里写得非常清楚。总结一下就是：

50 刀的价格属实不菲，入手之前不如先看看别人怎么说。一位名叫 Martin Henze 的开发者最近充了 Colab Pro + 会员，我们来看看 ta 的「开箱测评」。

事情是这样的，Martin Henze 参加了 Kaggle 的比赛，用的是自己的笔记本电脑，对于小模型和小图像来说自己的电脑也够用，但要想在排行榜上打榜升级，就必须扩大模型和数据规模，这样一来，电脑完全 hold 不住了。在 GPU 不够用的情况下，Henze 决定使用 Google Colab 付费选项来解决。

Henze 表示自己以前只使用过免费版的 Colab，现在发现还有 2 个付费版：Colab Pro 和 Colab Pro+。与 Pro 相比，Pro+ 版本宣传「优先访问更快的 GPU」。这么看来 Pro + 多了一个优先级，Pro 用户接下来的使用体验可能就没那么丝滑了。因此 Henze 萌生了测试 Pro + 的想法。

Henze 写了一篇博客来介绍自己在 Colab Pro+ 中发现的功能，以及在 Kaggle 比赛中使用 Colab 的最佳方法。此外，文章最后还介绍了 Colab 的可替代方案。

Colab Pro + 的特性

至于 Colab 的 TPU 运行时以及并发 CPU 会话的数量，Henze 还没进行测试。

一方面有优势，与免费的 Colab 和 Kaggle 资源相比，Pro + 用户能享受更高的连接稳定性，即使关闭计算机或浏览器标签页后，程序也能继续执行，上限是 24 小时。另一方面也有一些限制，例如在时间紧迫的情裂中况下，一次只能进行 1 个会话，或者使用较慢的 P100 进行 2 个会话。

另外请注意，Colab FAQ 指出：为了防止有限的资源被少数用户垄断，Colab Pro 和 Pro + 中的资源优先考虑最近使用资源较少的用户。因此，用户似乎不太可能在一个月的时间里全天候使用 V100 GPU。对于这一点，作者也打算进行更多的实验，也许会遇到这个限制。

将 Kaggle Notebook 移到 Colab 上

如果你在一周内已经超出了可以使用的（相当多的）Kaggle 资源，或者在短时间内需要更多的资源，将 Kaggle Notebook 移到 Colab 将是一个很好的选择，在 Colab 上可以继续训练和实验。但这一过程并不容易，需要面临两个挑战：获取数据、设置 notebook 环境。此外，Colab 放弃了许唤胡多标准的 Jupyter 快捷键，这种做法会增加用户的工作量。

在 数据导入 Colab 方面：目前最好和最快的方法是通过 GCS_DS_PATH 复制数据，即谷歌云存储路径。自 2017 年 Kaggle 被谷歌收购以来，其框架已被大量集成到谷歌的云环境中。Kaggle 数据集和比赛数据都有云存储地址，可以从那里将数据转移到 Colab 上。

你可以通过在 Kaggle Notebook 中运行以下代和源拦码来获得 GCS_DS_PATH。将 seti-breakthrough-listen 替换为你自己的比赛（competition）或数据集的名称：

在 Colab 中，你可以使用 gsutil 工具复制数据集，甚至是单个文件夹，就像这样：

这比从 Google Drive 复制或通过 Kaggle API 下载来检索数据的速度要快得多。当然，获取数据也受到 24 小时运行时的限制。需要注意的是，会话断开后数据就丢失了，需要在新的会话中重新设置。

在会话中创建的文件（例如经过训练的模型权重或提交文件）或用户安装的自定义库，也要受到类似的限制。Colab 安装了常用的 Python 和深度学习工具，但都是旧版本。用户可以通过 pip 进行更新：

需要注意两件事：安装后需要重新启动才能导入新库。不用担心，重启后数据仍然存在，但你需要确保留出足够的磁盘空间来安装。

将输出保存在 Drive 上：最后要确保将实验结果（经过训练的权重、提交文件等）复制到 Google Drive 账户，以确保在运行时断开连接却不会丢失它们。当然你也可以手动下载，但自动复制相对更可靠。

可以像这样在 Colab notebook 中使用 Drive：

然后复制文件，例如通过 Python 中的 os.system。

可供选择的其他云 GPU

除了 Colab 及其付费版以外，还有其他的云 GPU 替代方案，或许它们可以提供更多的性能（也许能用上 A100），或许是更便宜、使用更灵活。除了大家所熟知的 GCP 和 AWS，还包括以下：

Paperspace Gradient ：G1 使用费用为每月 8 美元，并提供 GPU 和 6 小时运行时限制的免费版。除此之外，每小时花费 2.30 美元可以运行 V100。此外，G1 还能提供 200GB 的存储空间和 5 个并行运行的 notebook。

JarvisCloud ：每小时 2.4 美元可使用 A100 GPU 。此外，JarvisCloud 还提供最新的 Pytorch、FastAI、Tensorflow 作为预安装框架。存储高达 500GB，每小时最高 7 美分。

Vast.ai ：是一个出租 GPU 的平台。你可以在此访问 GCP、AWS 和 Paperspace 资源。不过价格差异很大，但有些看起来比具有相似可靠性的大公司便宜得多。

OracleCloud ：每小时支付约 3 美元可运行 V100，与 AWS 相当。此外， A100 也即将投入使用。

OHVcloud ：一家以价格优惠而闻名的法国供应商。每小时支付 1.7 美元就可以使用 1 块 V100，并提供 400GB 的存储空间。

当前市面上有很多云 GPU 选择，也许在这种良性竞争下，我们会看到价格的合理调整。

参考链接：https://heads0rtai1s.github.io/2021/08/24/colab-plus-kaggle-cloud-gpu/

---