Ari Takanen_ Jared D. DeMott_ Charles Miller - Fuzzing for Software Security Testing and Quality Assurance (2018, Artech House).pdf

/ *日期：2018年5月7日作者：Raj Mehrotra * / 来自kaggle的“红酒质量”数据集。 数据集包含有关葡萄酒样品的详细信息，以及说明葡萄酒中不同化学物质浓度的不同特征。 目标变量是0-10的葡萄酒质量。 我首先探索并分析了数据，并使用了熊猫，matplotlib，seaborn库进行了可视化，并研究了不同类别和数字特征的分布。 然后，我清理了数据并准备好进行建模。然后，我还使用sklearn提供的StandardScaler缩放了所有数字功能以实现更好的性能。 最后，我从scikit学习中使用了不同的ML算法，包括SVM，RandomForest等。 我还使用GridSearchCV函数调整了所有算法的参数。 最后，通过使用带有“ rbf”内核和参数“ C”和“ gamma”的调整值的支持向量机，我在数据集上的精度为0.9175。

声纳CNES报告 SonarQube是管理代码质量的开放平台。 该程序可以将SonarQube服务器中的代码分析导出为docx，xl​​sx，csv，markdown和文本文件。 该程序是免费软件； 您可以根据自由软件基金会发布的GNU通用公共许可证的条款重新分发和/或修改它； 许可的版本3，或（由您选择）任何更高的版本。 该工具可单独用作JAR可执行文件（通过命令行）或Sonarqube插件。 快速开始 设置SonarQube实例。 使用声纳扫描仪，maven，gradle，msbuild等运行分析。 执行cnesreport： 独立运行，多亏了命令行 在插件模式下，将jar复制

AI侍酒师 项目案例 AI能否准确预测红酒质量等级？ 无论如何，品酒师的舌头如何规范葡萄酒的化学成分，质量是什么？ 让我们尝试使用机器学习方法来回答这个问题，在该方法中，各种分类器算法将尝试发现葡萄酒评级过程中的所有模式。 作为项目的最后一部分，让我们构建一些人工侍酒师，并让他们处理实际的葡萄酒样品。 一切都以python flask应用程序的形式出现。 应用程序结构 Flask App有4个视图，每个视图代表机器学习过程的不同阶段。 每个部分都以可下载的代码模板结尾。 第1部分-数据集概述 首先，我们将仔细研究数据集。 使用numpy，pandas，seaborn和scikit-learn： 第2部分-建筑分类器 在下一步中，我们将在选择最佳拟合算法的同时建立分类器的基础： 第3部分-拟合分类器 现在，该是测试我们的分类器并查看其效果的时候了： 第4部分-对红酒进行评分 让我向您介绍我

此处的脚本使用以下提出的方法对电能质量扰动进行数学建模： Z. Moravej , AA Abdoos & M. Pazoki (2009) 使用小波变换和支持向量机检测和分类电能质量扰动，电力组件和系统，38:2, 182-196, DOI: 10.1080/15325000903273387 这可能对未来研究人员在电能质量扰动的研究、建模和分类方面很有用。 只需执行该功能即可查看不同的模型。

一个从开源项目 综合数据生成项目的指标 网址： ： 文档： : 仓库： : 执照： 发展状况： 概述 SDMetrics库提供了一组与数据集无关的工具，用于通过将综合数据库与建模后的真实数据库进行比较来评估综合数据库的质量。 它支持多种数据模式： 单列：比较代表各个列的一维numpy数组。 列对：比较pandas.DataFrame列如何pandas.DataFrame关联（以2组为一组）。 单个表：比较整个表，以pandas.DataFrame表示。 多表：将以python dict表示的多表和关系数据集与以pandas.DataFrame传递的多个表进行pandas.DataFrame 。 时间序列：比较代表事件顺序的表格。 它包括各种指标，例如： 使用统计检验比较实际和合成分布的统计量度。 使用机器学习来尝试区分真实数据和合成数据的检测指标。 效能

CNNIQA 以下论文的PyTorch 1.3实施： 笔记 在这里，选择优化器作为Adam，而不是本文中带有势头的SGD。 data /中的mat文件是从数据集中提取的信息以及有关火车/ val /测试段的索引信息。 LIVE的主观评分来自。 训练 CUDA_VISIBLE_DEVICES=0 python main.py --exp_id=0 --database=LIVE 训练前， im_dir在config.yaml被指定必须的。 可以在config.yaml设置数据库内实验中的Train / Val / Test拆分比率（默认值为0.6 / 0.2 / 0.2）。 评估 测试演示 python test_demo.py --im_path=data/I03_01_1.bmp 交叉数据集 python test_cross_dataset.py --help TODO：

技术文档写作

High-quality Motion Deblurring from a Single Image.pdf

该项目是ITU-R.BS.1387建议书的免费软件实现，该建议书描述了-音频质量的感知评估-（PEAQ）的算法。