تست نویسی در داده کاوی

تست نویسی یکی از مهم ترین ارکان توسعه نرم افزار هست. چهار تا اصطلاح معروف که موقع تست نویسی کاربرد دارد: 1. False-Negative کد شما مشکل "دارد" + تست به اشتباه می گوید که کد شما مشکل ندارد. 2. False-Positive کد شما مشکلی "ندارد" + تست به اشتباه می گوید که کد شما مشکل دارد. 3. True-Negative کد مشکل "ندارد" + تست  به درستی می گوید که مشکل وجود ندارد. 4. True-Positive کد مشکل "دارد" + تست به درستی می گوید که مشکل وجود دارد. خیلی از افراد تعاریف دیگری از این ها دارند که کاملا برعکس مطلبی هست  که مطالعه نمودید.اما  این تعاریف منبعش از کتاب xUnit Test Patterns از آقای Gerard Meszaros است که مورد تایید آقای Martin Fowler هم بود. راه درست فکر کردن در این مورد این طور هست که به جای "مشکل" یا "باگ"  از  تست "کرونا" استفاده کنید. وقتی تست کرونا انجام می شود و کرونا دارید(باگ دارید) درتست POSITIVE هست. ولی اگه کرونا داشتید ودر تست  NEGATIVE بود یعنی بیانگر  یک NEGATIVE اشتباه هست که به ان می گوییم false negative.

https://t.me/isslab_ir/199

منبع تلگرام @AmirSoroushh

Data mining

https://kambizta.ir/product/%d8%af%d9%88%d8%b1%d9%87-%db%8c%d8%a7%d8%af%da%af%db%8c%d8%b1%db%8c-%d8%b9%d9%85%db%8c%d9%82-%d8%a8%d8%a7-%d9%be%d8%a7%db%8c%d8%aa%d9%88%d8%b1%da%86/

cuda-tabatabaei.blogsky.com

دوره یادگیری عمیق

با سلام خدمت علاقه مندان حوزه هوش مصنوعی

بدینوسیله باستحضار شما دوستان می رساند دوره یادگیری عمیق از هم اکنون از سایت آکادمی هوش مصنوعی کامبیز طباطبائی به نشانی www.kambizta.ir قابل دریافت می باشد. دوستان بعد از ثبت نام در دوره کد کاربری spot player تولید شده در حساب کاربری را کپی نموده و در نرم افزار spot player وارد نمایید، بدین صورت فیلم دوره برای شما قابل مشاهده خواهد بود.

مقاله ارئه کاربردی جدید در یافتن اشخاص گم شده در دوربینهای نظارتی با استفاده از یادگیری عمیق

این مقاله  با ارائه یک راهکارکاربردی، جهت تسهیل یافتن افراد گم شده در اماکن عمومی با استفاده از یادگیری عمیق در پاییز سال 1400 در مجله علوم رایانشی توسط آقایان دکتر علیمحمد لطیف، دانشیار گروه مهندسی کامپیوتر دانشگاه یزد و کامبیز طباطبایی اردکانی به چاپ رسید، این مقاله با آموزش راهکار عملی، کمک شایانی در پیدا نمودن اشخاص گم شده می نماید، بدین صورت که اگر فردی در جایی گم شد براحتی می توان عکس چهره او را به این سیستم تحویل داده و سپس آخرین مکانی که شخص حضور داشته است را تعیین می کند، علاوه بر این به تکنیکهای تشخیص هویت در ورودی های فرودگاه و غیره اشاره کرده است.

بخش بندی تصاویر با یادگیری عمیق

بخش بندی معنایی تصاویر ؟

در تصاویر کامپیوتری، واژه ” بخش بندی تصویر ” یا ” بخش بندی” به تقسیم تصویر به گروهی از پیکسل براساس برخی معیارها اشاره دارد . یک الگوریتم بخش‌بندی تصویر به عنوان ورودی و خروجی مجموعه‌ای از مناطق ( یا بخش‌ها ) را می‌گیرد.ناحیه‌بندی موثر اشیاء در تصویر رنگی یک مسئله مهم عملگرهای پردازش تصویر است. با ناحیه بندی مؤثر، عنصر مورد نظر را جدا می‌کنیم. برتری یک روش ناحیه بندی بر دیگر روش‌ها به مشخصات خاص مسئله‌ای که بررسی می‌شود، بستگی دارد. ناحیه‌بندی تصاویر رنگی در بسیاری از کارهای پردازشی بر روی تصاویر، چون تصاویر درمانی، بینایی ماشین، فشرده سازی تصویر، شئ شناسی، نیازی ضروری و مهم برای شروع پردازش بر روی شی یا بافت مورد نظر می باشد. برای مثال در تصاویر درمانی، یک پزشک با استفاده از دانش و تجربه ی خود به ناحیه بندی بافت مورد نظر در تصویر می‌پردازد. اما زمانی که تعداد تصاویر زیاد باشند و یا اینکه کانتراست و تغییر شدت روشنایی اشیاء نسبت به یکدیگر کم باشد و تصویر از لحاظ دید انسان نامناسب باشد، ناحیه بندی بسیار هزینه بر بوده (هم از نظر مالی و هم از نظر زمانی) و با خطا روبرو می گردد. بنابرین نیاز به خودکار کردن فرایند ناحیه بندی تصویر، امری لازم و ضروری می باشد. ناحیه بندی تصویر به روش های مختلفی صورت می پذیرد که به طور کلی می‌توان آنرا به دو دسته ی کلاسیک و شکل شناسی تقسیم بندی نمود. بخش بندی معنایی تصاویر یعنی تخمین کلاس برای هر پیکسل تصویر.

نحوه ناحیه بندی تصاویر ؟

ﺑﺨﺶﺑﻨﺪی ﺗﺼﻮﯾﺮ اوﻟﯿﻦ ﻣﺮﺣﻠﻪ و ﺑﺤﺮاﻧﯽﺗﺮﯾﻦ ﻣﺮﺣﻠﻪ از آﻧﺎﻟﯿﺰ ﺗﺼﻮﯾﺮ ﻣﯽﺑﺎﺷﺪ ﮐﻪ ﻫﺪﻓﺶ اﺳﺘﺨﺮاج اﻃﻼﻋﺎت داﺧﻞ ﺗﺼﻮﯾﺮﻣﺎﻧﻨﺪ (ﻟﺒﻪﻫﺎ ، ﻧﻤﺎﻫﺎ و ﻫﻮﯾﺖ ﻫﺮ ﯾﮏ از ﻧﻮاﺣﯽ) ﻣﯽﺑﺎﺷﺪﮐﻪ از ﻃﺮﯾﻖ ﺗﻮﺻﯿﻒ، ﻧﺎﺣﯿﻪﻫﺎی ﺑﺪﺳﺖ آﻣﺪه را ﺑﺮای ﮐﺎﻫﺶ آﻧﻬﺎ ﺑﻪ ﺷﮑﻞ ﻣﻨﺎﺳﺐ ﺑﺮای ﭘﺮدازش ﮐﺎﻣﭙﯿﻮﺗﺮ و ﺗﺸﺨﯿﺺ ﻫﺮ ﯾﮏ از ﻧﻮاﺣﯽ آﻣﺎده ﻣﯽﮐﻨﺪ.نتیجه بخش بندی ﺗﺎﺛﯿﺮ ﻗﺎﺑﻞ ملاحظه ای ﺑﺮ دﻗﺖ ارزﯾﺎﺑﯽ وﯾﮋﮔﯽﻫﺎﺧﻮاﻫﺪ داﺷﺖ ..ﺑﺨﺶﺑﻨﺪی اﻏﻠﺐ ﺷﺮح ﻓﺮآﯾﻨﺪ ﺗﻘﺴﯿﻢ ﺗﺼﻮﯾﺮ ﺑﻪ  اﺟﺰاء اﺻﻠﯽ و اﺳﺘﺨﺮاج ﻗﺴﻤﺘﻬﺎی ﻣﻮرد ﻋﻼﻗﻪ  اﺷﯿﺎء ﻣﯽﺑﺎﺷﺪ. بخش بندی یکی از مشکل ترین مباحث در پردازش تصویراست که در موفقیت عمل تحلیل تصویر بسیار موثر است. برای بخش بندی تصویر روشهای مختلفی وجود دارد که می توان انهارا به دو دسته روشهای مبتنی بر هیستوگرام(based -Histogram ) و روشهای مبتنی بر خوشه بندی(Clustering-Based) تقسیم کرد. که البته هر کدام از این دو روش دارای زیر مجموعه هایی نیز می باشند. در روشهای مبتنی بر هیستوگرام، بخش بندی تصاویر براساس توزیع پیکسلها صورت می گیرد. قدم اصلی در این روشها یافتن سطح استانه ای مناسب برای اعمال به تصویر میباشد. در روشهای مبتنی بر خوشه بندی برای گروه بندی کردن داده ها از شباهتها و روابط موجود بین آنها استفاده می شود. در این روشها داده ها به نحوی گروه بندی می شوند تا انهایی که در داخل یک بخش قرار می گیرند دارای بیشترین شباهت به هم باشند. کاربردهای زیرا می توان برای ناحیه بندی ذکر کرد: