OpenNN

OpenNN (Open Neural Networks Library) ist eine Programmbibliothek geschrieben in C++, die ein künstliches neuronales Netz implementiert. Die Bibliothek ist Open Source, bei SourceForge gehostet und unter GNU Lesser General Public License gestellt.

OpenNN
Basisdaten
Entwickler	Artelnics
Erscheinungsjahr	2003
Aktuelle Version	6.0.3 (10. April 2023)
Betriebssystem	Plattformunabhängigkeit
Programmiersprache	C++
Kategorie	Künstliche Intelligenz
Lizenz	GNU LGPL
www.opennn.net

Geschichte

Die Entwicklung begann im Jahr 2003 im International Center for Numerical Methods in Engineering (CIMNE) der Universitat Politècnica de Catalunya mit RAMFLOOD, einem von der Europäischen Union finanzierten Forschungsprojekt. Derzeit wird OpenNN vom Start-up-Unternehmen Artelnics weiterentwickelt. 2014 wurde OpenNN von Big Data Analytics Today als das Projekt mit der besten Umsetzung einer künstlichen Intelligenz ausgezeichnet. Im selben Jahr wurde es von ToppersWorld unter die Top 5 der Open Source Data Mining Tools gewählt.

Anwendung

OpenNN implementiert Data-Mining-Methoden als ein Bündel von Funktionen. Diese können in anderen Softwarewerkzeugen unter Verwendung einer Programmierschnittstelle (API) zwischen dem Softwaretool und den Aufgaben zu Predictive Analytics eingebettet werden. Es fehlt dabei eine grafische Benutzeroberfläche, jedoch sind einige Funktionen zur Unterstützung von spezifischen Visualisierungsprogrammen enthalten.

OpenNN kann für Maschinelles Lernen, Data-Mining und Predictive Analytics-Aufgaben in verschiedenen Bereichen eingesetzt werden. So findet die Bibliothek in den Ingenieurwesen, der Energieforschung, der Chemie und sonstigen Sektoren Anwendung.

Siehe auch

• Künstliche Intelligenz
• Künstliches neuronales Netz

Einzelnachweise

1. Release 6.0.3. 10. April 2023 (abgerufen am 27. April 2023).
2. github.com. (abgerufen am 10. Oktober 2016).
3. The opennn Open Source Project on Open Hub: Languages Page. In: Open Hub. (abgerufen am 19. Juli 2018).
4. OpenNN, An Open Source Library For Neural Networks. KDNuggets, Juni 2014; abgerufen im 1. Januar 1. 
5. CORDIS - EU Research Project RAMFLOOD. European Commission, Dezember 2004; abgerufen im 1. Januar 1. 
6. Artelnics home page. Abgerufen im 1. Januar 1 
7. Big Data Analytics Today, Oktober 2014, archiviert vom Original am 11. März 2016; abgerufen am 1. April 2015.  Info: Der Archivlink wurde automatisch eingesetzt und noch nicht geprüft. Bitte prüfe Original- und Archivlink gemäß Anleitung und entferne dann diesen Hinweis.@1@2Vorlage:Webachiv/IABot/www.bigdataanalyticstoday.com 
8. Top 5 Open Source Data Mining Tools. ToppersWorld, November 2014; abgerufen im 1. Januar 1. 
9. J. Mary Dallfin Bruxella et al.: Categorization of Data Mining Tools Based on Their Types. In: International Journal of Computer Science and Mobile Computing. 3. Jahrgang, Nr. 3, 2014, S. 445–452 (academia.edu). 
10. R. Lopez et al.: Neural Networks for Variational Problems in Engineering. In: International Journal for Numerical Methods in Engineering. 75. Jahrgang, Nr. 11, 2008, S. 1341–1360, doi:10.1002/nme.2304. 
11. P. Richter et al.: Optimisation of Concentrating Solar Thermal Power Plants with Neural Networks. In: Lecture Notes in Computer Science. 6593. Jahrgang, 2011, S. 190–199, doi:10.1007/978-3-642-20282-7_20. 
12. A.A. D’Archivio et al.: Artificial Neural Network Prediction of Multilinear Gradient Retention in Reversed-Phase HPLC. In: Analytical and Bioanalytical Chemistry. 2014, S. 1–10, doi:10.1007/s00216-014-8317-3.