Pokemogo的博客

在之前的一篇文章中，我提供了一些使用Selenium测试Salesforce应用的提示和技巧。Salesforce提供了一个灵活的开发环境，允许开发人员以抽象的方式定义他们的业务逻辑和UI元素，以便Salesforce能够在页面上实现这些元素。这种灵活性是以牺牲UI测试自动化为代价的。因为开发人员无法直接控制浏览器中的最终内容。Salesforce企业级应用在使用Selenium等开源自动化框架进行测试时是出了名的困难。为什么用Selenium测试Salesforce很困难？总结一下我在上一..

人工智能已经有了长足的发展。也许你看过最近的编舞机器人视频？这些机器人的敏捷性和衔接性非常惊人，可以如此准确和高效地完成这些有趣的动作。比起执行简单的任务，行动力有限，这是一个巨大的成就。但在这个精心安排的程序中 在一个非常受控的环境中 它们完全是在做它们被编入程序的工作 它们并没有真正展现出自己的智能或决策形式，来决定用音乐中的哪一段来表演什么动作。它们确实拥有智能控制系统，可以提供平衡和定向，但这与根据音乐中发生的情况独立选择何时进行高踢或跳跃是不一样的。其中一些机器人还包括额外的功能，..

静态分析，或静态应用安全测试（SAST），工具是在开发过程的最早阶段发现代码库中的缺陷的有力方法。然而，用于执行该测试的工具是钝器。SAST工具提供了大量的数据，这些数据是直出工具的。我把它看作是SOOT。这些发现需要进行审计或审查。而且经常需要一个人进行手动分流。即使他们是善意的，人类也无法跟上，他们往往会被淹没。来自SAST的SOOT数据的问题由于它提供了大量的信息，工程师最终只是错过了静态分析工具发现的一些最重要的漏洞，因为这些缺陷隐藏在所有的噪音（或SOOT）中。没有任何额外..

软件开发行业最近最热门的词汇之一就是人工智能。但它的真正含义是什么？软件测试自动化背景下的人工智能与其更广泛的定义有何不同？当我们谈论人工智能及其姊妹词机器学习时，我们是什么意思？我想我会澄清我们的用法，以便清楚我们如何使用AI和机器学习来推进最先进的API测试。如何在软件测试中实现人工智能（这不仅仅是嗡嗡声）人工智能是数字市场中最超负荷的流行语之一。“人工智能”让人联想到诸如全能的超级计算机，一心想要毁灭人类；Alexa或Siri的语音控制协助；电脑棋牌对手；或自动驾驶汽车。维基百科将..

本文的灵感来源于正在使用的一款自动化测试工具，我目前还处于边学习边运用的阶段，不过它的API测试功能令人惊叹（虽然我还没有完全摸透）。接下来，我将对这一功能的理解做一个简单的陈述。在其新版本中，通过创建一个简单且优雅的解决方案来帮助组织不仅开始使用API测试，而且还为支持敏捷开发的可扩展且可维护的API测试策略奠定了基础，从而消除了与API测试相关的复杂性。使API测试更“容易”当研发人员讨论开发这种新的测试自动化概念时，他们的首席执行官Elizabeth Kolawa有一个简单的准则。她说：“..

本次是用机器学习做出未来一定时期内的销售量预测，从而辅助指导销售库存计划的决策分析，以达到合理配置库存，减少资源成本浪费的目的。实操内容有点多，虽然我已经尽量删减了。有兴趣的朋友可以关注+收藏，后面慢慢看哟。如果觉得内容还行，请多多鼓励；如果有啥想法，评论留言or私信。那么我们开始说正事了~一、数据准备阶段数据集描述用于技术验证的数据集来自kaggle上的医药销售预测项目Rossmann Stores Clustering and Forecast，整个数据集包含三张表：训练集、测试集、经销商信

在上周我写了一篇“基于机器学习的银行电话营销客户购买可能性预测分析”，那是作为对客户购买可能性预测分析的第一次验证案例的尝试。今天是基于机器学习的客户购买可能性预测分析的第二次验证案例：推荐系统。推荐系统基于热度推荐：由专家或者一定时期产品销售情况或者主推产品，制作一个排行榜，在没有用户数据的情况下根据排行榜推荐基于用户特征推荐：通过历史数据，由算法(机器学习)根据用户特征进行推荐，在用户数据能够填写一些基本数据的情况下基于知识推荐：通过用户要求，比如果需要高收益，需要低风险的产品，在数

项目目的：预测客户的交易价值数据来源：https://www.kaggle.com/c/santander-value-prediction-challenge数据内容：4459条已知客户的交易价值和客户的属性（具体内容不知道，有可能是性别、年龄、收入、交税等等，每一个用户有4993条属性）步骤：数据分析 特征值选取 模型建立 调试首先进行数据分析有4459行，4993列，其实中1845列为float类型，3147列为int类型，有1列为object（应该为用户id.

数据集：uci下载的某家银行电话营销与是否购买定期存储的数据。模拟目标：知道客户数据，预测购买理财产品概率我认为将电话营销的数据消除只保留基本属性可以模拟实际银行能够获取的数据。电话营销数据代表一些对用户决定由影响但是获取难度较大的数据。比如说，买房、买车、小孩上学，这些数据银行不能立刻获得，或者获取成本较高。这里不使用这些数据参与预测。虽然预测准确度会降低，但是更符合实际情况。然后定期存储是一种产品，可以当做一种理财，如果能对一种进行预测行进实现和验证，那么可以扩展到多种产品的预测数据

本文采用Kaggle上面的Boston HousePrice数据集展示了如何建立机器学习模型的通常过程，包括以下几个阶段：数据获取 数据清洗 探索性数据分析 特征工程 模型建立 模型集成标签变量（房价）采取了对数转换，使其符合正太分布，最后从12个备选模型中选出预测效果最好的6个模型Lasso，Ridge，SVR，KernelRidge，ElasticNet，BayesianRidge分别进行加权平均集成和Stacking集成，最后发现Stacking集成效果更好，创新之处在于将Stacki

Tic tac toe是一个非常简单的游戏，能够让你编程一台电脑来玩。你可以编写代码告诉它如果可用的话进入井字中心，看看对手是否有两个连在一起，如果是这样的话就封锁它，或者如果有一个可用的就连接到一个角落，让自己的两个连在一起等等。但是这不是你学会玩的方式。有人把网格放在你的面前，并开始把Xs和Os放在它上面。过了一会儿，你为自己想出了策略。那么，我们如何让电脑模仿人类呢？计算机非

什么是机器学习（ML）？据斯坦福大学说，这是“让计算机在没有明确编程的情况下行动的科学”。机器学习是算法的一部分，但运行算法取决于你。你可以使用Octave、Matlab、SAS、R、Python等，但是你想要做的结束推断仍然是一样的。有几门机器学习认证课程。我已经列出了一些顶级课程，大部分都是免费的或者至少可以负担得起的，这将帮助你成为一名ML专家。本文列出的课程旨在帮助您开始关

21世纪是数据驱动型决策的时代。据说产生更多数据的细分市场或行业增长速度会更快，而能够利用这些数据作出重要决策的一方将会走在前面。当涉及到产生大量数据的行业时，由于采用了数据收集的新方法，例如传感器生成的数据，医疗保健就是其中之一。机器学习如何帮助医疗行业？机器学习允许构建模型来快速分析数据并交付结果，同时利用历史数据和实时数据。通过机器学习，医疗服务提供商可以对患者的诊断

Python和R是数据中心工程师最流行的编程语言之一。但是，它们并不总是构建应用程序的其余部分的语言。这就是为什么你有时需要找到一种方法来将用Python或R编写的机器学习模型部署到基于.NET等语言的环境中。在本文中，我将展示如何使用Web API将机器学习模型集成到.NET编写的应用程序中。开始：Flask我们可以使用Flask作为共享和主持我们的机器学习预测的一种方式

在这篇文章中，我们将开发一个应用程序来检测垃圾邮件。将使用的算法是从SPARK MLib实现的逻辑回归。对这个领域不需要深入的了解，因为这些主题是从高层次的角度来描述的。完整的工作代码将与一个正在运行的应用程序一起提供，以供您选择电子邮件的进一步实验。Logistic回归逻辑回归是一种用于分类问题的算法。在分类问题中，我们给了很多标签化的数据（垃圾邮件，非垃圾邮件），当一个新的例子