Télécharger en tant que PDF, PPTX
![EXPERTISE
// Test if the if is in a compressed format
// none need yet
// icon
// There is a parser specified in `Parser::$KEYWORD_PARSERS`
// Show generated config file in a <textarea>
// numGlyphs + 1
// $a && $b and multidimensional
// $result should exist, regardless of $_message
// if(ob_get_clean()){
//$annots .= ' /StructParent ';
// $cfg['Servers'][$i]['controlpass'] = 'pmapass';](https://image.slidesharecdn.com/machinelearningpourtous-151125084641-lva1-app6891/75/Machine-learning-pour-tous-12-2048.jpg)
![DONNÉES D'ENTRÉE
46 5 1
825 0 0 0 1
0
37 2 0 0 0
0
55 2 2 0 1
1
61 2 1 3 1
1
...
* This file is part of Exakat.
*
* Exakat is free software: you can redist
* it under the terms of the GNU Affero Ge
* the Free Software Foundation, either ve
* (at your option) any later version.
*
* Exakat is distributed in the hope that
* but WITHOUT ANY WARRANTY; without even
* MERCHANTABILITY or FITNESS FOR A PARTIC
* GNU Affero General Public License for m
*
* You should have received a copy of the
* along with Exakat. If not, see <http:/
*
* The latest code can be found at <http:/
*
*/
// $x[3] or $x[] and multidimensional
//if ($round == 3) { die('Round '.$round);
//$this->errors[] = $this->language->get('](https://image.slidesharecdn.com/machinelearningpourtous-151125084641-lva1-app6891/75/Machine-learning-pour-tous-14-2048.jpg)
![EXPLOITATION
<?php
$ann = fann_create_from_file('appris.out');
$commentaire = "//$gvars = $this->getGraphicVars();";
$input = makeVector($commentaire);
$resultats = fann_run($ann, $input);
if ($resultats[0] > 0.8) {
print ""$commentaire" : -> $resultats[0] %n";
}
?>](https://image.slidesharecdn.com/machinelearningpourtous-151125084641-lva1-app6891/75/Machine-learning-pour-tous-21-2048.jpg)
![99.999893
// $cfg['Servers'][$i]['controlhost'] = '';
99.999928
//$_SESSION['Import_message'] = $message->getDisplay();
/* 99.999928
if (defined('SESSIONUPLOAD')) {
// write sessionupload back into the loaded PMA session
$sessionupload = unserialize(SESSIONUPLOAD);
foreach ($sessionupload as $key => $value) {
$_SESSION[$key] = $value;
}
// remove session upload data that are not set anymore
foreach ($_SESSION as $key => $value) {
if (mb_substr($key, 0, mb_strlen(UPLOAD_PREFIX))
== UPLOAD_PREFIX
&& ! isset($sessionupload[$key])
) {
unset($_SESSION[$key]);
}
}](https://image.slidesharecdn.com/machinelearningpourtous-151125084641-lva1-app6891/75/Machine-learning-pour-tous-23-2048.jpg)
![Vrai positif Faux positif
Vrai négatif Faux négatif
Rapporté
par le RN
Objectif
// $cfg['Servers'][$i]['table_coords'] = 'pma__tabl
//(isset($attribs['height'])?$attribs['height']: 1)
// if ($key != null) did not work for index "0"
// the PASSWORD() function
99.999923
73.295981
99.999851
2.104115](https://image.slidesharecdn.com/machinelearningpourtous-151125084641-lva1-app6891/75/Machine-learning-pour-tous-26-2048.jpg)
Téléchargé parDamien Seguy
Machine learning pour tous
Le document présente un forum sur l'utilisation du machine learning appliqué à l'analyse de code, abordant des sujets tels que la détection de fraude et la reconnaissance automatique. Il décrit les phases d'entraînement et d'utilisation des modèles, notamment dans le contexte d'une application visant à détecter des commentaires dans le code PHP. Enfin, il évoque des outils et techniques variés, tels que les réseaux neuronaux et les algorithmes génétiques, pour améliorer les prédictions et réduire les faux positifs.
Machine learning pour tous
- 1. MACHINE LEARNING POUR TOUS L'éducationa des racines amères, mais ses fruits sont doux Forum AFUP, Paris, 2015
- 2. AGENDA Comment enseigner àun ordinateur Application à la recherche de code dans les commentaires Des apprentissages complexes
- 3. INTERVENANT Damien Seguy Directeur techniqueà Exakat Services d'analyse de code
- 4. APPLICATIONS Detection de fraudeet estimation du risque Traduction automatique ou la transcription automatique Reconnaissance de caractères ou de visages Les diagnostics médicaux La reconnaissance de bon code PHP
- 5. MACHINE LEARNING Machine :l'ordinateur Learning : apprentissage Il se bâtit un modèle tout seul : phase d'entrainement Il propose alors des prédictions : phase d'utilisation
- 6.
- 7. APPLICATION PRATIQUE Détecter ducode dans les commentaires Un problème classique Un bon problème de machine learning Complexe, pas de solution simple Permet de faire des tests avec beaucoup de données
- 8. THE FANN EXTENSION ext/fann(https://pecl.php.net/package/fann) Fast Artificial Neural Network http://leenissen.dk/fann/wp/ Réseaux Neuronaux en PHP
- 9. RÉSEAUX NEURONAUX Imitation dela nature Couche d'entrée Couche de sortie Neurones intermédiaires et couches de neurones
- 10. RÉSEAUX NEURONAUX Imitation dela nature Couche d'entrée Couche de sortie Neurones intermédiaires et couches de neurones
- 11. INITIALISATION <?php $num_layers = 1; $num_input = 5; $num_neurons_hidden = 3; $num_output = 1; $ann = fann_create_standard($num_layers, $num_input, $num_neurons_hidden, $num_output); // fonction d'activation fann_set_activation_function_hidden($ann, FANN_SIGMOID_SYMMETRIC); fann_set_activation_function_output($ann, FANN_SIGMOID_SYMMETRIC);
- 12. EXPERTISE // Test ifthe if is in a compressed format // none need yet // icon // There is a parser specified in `Parser::$KEYWORD_PARSERS` // Show generated config file in a <textarea> // numGlyphs + 1 // $a && $b and multidimensional // $result should exist, regardless of $_message // if(ob_get_clean()){ //$annots .= ' /StructParent '; // $cfg['Servers'][$i]['controlpass'] = 'pmapass';
- 13. VECTEUR D'ENTRÉE 'length' :taille du commentaire 'countDollar' : présence du $ 'countEqual' : présence du = 'countObjectOperator' présence du -> 'countSemicolon' : présence de ;
- 14. DONNÉES D'ENTRÉE 46 51 825 0 0 0 1 0 37 2 0 0 0 0 55 2 2 0 1 1 61 2 1 3 1 1 ... * This file is part of Exakat. * * Exakat is free software: you can redist * it under the terms of the GNU Affero Ge * the Free Software Foundation, either ve * (at your option) any later version. * * Exakat is distributed in the hope that * but WITHOUT ANY WARRANTY; without even * MERCHANTABILITY or FITNESS FOR A PARTIC * GNU Affero General Public License for m * * You should have received a copy of the * along with Exakat. If not, see <http:/ * * The latest code can be found at <http:/ * */ // $x[3] or $x[] and multidimensional //if ($round == 3) { die('Round '.$round); //$this->errors[] = $this->language->get('
- 15. APPRENTISSAGE $max_epochs = 500000; $desired_error = 0.001; // apprentissage lui-même if (fann_train_on_file($ann, 'leçon.data', $max_epochs, $epochs_between_reports, $desired_error)){ fann_save($ann, 'appris.out'); } fann_destroy($ann); ?>
- 19. APPRENTISSAGE 47 leçons 5 caractéristiques 3neurones Durée d'exécution : 5,711 s
- 20.
- 21.
- 22. DONNÉES RÉELLES Testé sur14093 cas Durée d'exécution 367.01ms Trouvé 665 cas (5%)
- 23.
- 24.
- 25. Vrai positif Fauxpositif Vrai négatif Faux négatif Rapporté par le RN Objectif
- 26. Vrai positif Fauxpositif Vrai négatif Faux négatif Rapporté par le RN Objectif // $cfg['Servers'][$i]['table_coords'] = 'pma__tabl //(isset($attribs['height'])?$attribs['height']: 1) // if ($key != null) did not work for index "0" // the PASSWORD() function 99.999923 73.295981 99.999851 2.104115
- 27. BILAN 665 code trouvés 72%de faux positifs mais après nettoyage facile, il reste 23% de faux positif Analyse de 14k commentaires en 367 ms // = ( 59 x 84 ) mm = ( 2.32 x 3.31 ) in
- 28. RETROACTION Amélioration de labase d'entrainement Ajout/retraits de caractéristiques Changement de configuration du RN Nouvel apprentissage Nouvelle validation Données réelles Données Historiques Apprentissage Modèle Résultat Rétraction
- 29. AMÉLIORATION DE LABASE Augmentation de la taille Variété des situations Inclusion des cas particuliers rencontrés Accumulation d'expérience
- 30. REVUE DES CARACTÉRISTIQUES Ajoutsde nouvelles caractéristiques Retrait des caractéristiques moins pertinentes
- 31. CONFIGURATION DU RN Vecteursd'entrée Couches intermédiaires et neurones cachés Fonction d'activation Vecteur de sortie
- 32. PILOTAGE AUTOMATIQUE Tester surdifférentes configurations Identifier les résultats Idéalement, retirer les faux positifs Résultats Nombre de couches Nombre de neurones
- 33. SYNOPSIS Selection d'une basede données d'apprentissage Configuration du RN Apprentissage Validation sur des données de tests Retroaction
- 34.
- 35.
- 36.
- 37.
- 38. QUELQUES OUTILS PHP ext/fann LangageR https://github.com/kachkaev/php-r Scikit-learn https://github.com/scikit-learn/scikit-learn Mahout https://mahout.apache.org/
- 39.
- 41.
- 42.
- 43. QUELLES APPLICATIONS? Non-déterministe Elimination detout ce qui est systématique à trouver Accès à l'expertise et aux vecteurs de caractéristiques Couche finale après les résultats Classification, priorisation, approximation rapide