1. Táirgí
  2.   OMR
  3.   Python
  4.   Open-MCR
 
  

API Léitheoir Scrúduithe Ilroghanna Python le Cóid Fhoinse Oscailte

API Léitheoir Scrúduithe Ilroghanna Python Saor in Aisce a Chumasaíonn Forbróirí Bogearraí le Bileoga Scrúduithe, Scanálaithe agus Bogearraí Próiseála a Ghiniúint trí API Python.

Cad é Leabharlann Open-MCR?

Cruthaíodh pacáiste láidir Python darbh ainm Open-MCR chun Multichannel Convolutional Recurrent Neural Networks (MCRNNs) a dhéanamh níos éasca le cur i bhfeidhm. Tá an tionscadal foinse oscailte seo, a chruthaigh an ríomhchláróir cumasach Ian San, ag tairgiú creatlaí ilúsáideach agus éifeachtach do acadamh agus d'fhorbróirí le haghaidh tascanna cosúil le haithint cainte, anailís físe, agus feidhmchláir éagsúla sraithe ama. Is féidir le húsáid ann i do thionscadail a bheith ina chúis le tuarú níos iontaofa agus níos cruinne de mhúnlaí, rud a chabhróidh le foghlaim meaisín feabhsú ar fud réimse leathan de réimsí. Cruthaíodh leabharlann Open-MCR le húsáid éasca i gcuimhne. Tá an leabharlann inrochtana do thosaitheoirí agus d'eagraithe a bhfuil taithí acu de bharr a dhoiciméadú cuimsitheach agus a shamplaí.

Sa fhoghlaim meaisín, is tasc coitianta é Aicmiú Il-Ranganna (MCC) ina bhfuil an sprioc ná ionchur a rangú ó shraith ranganna réamhshocraithe. Trí rogha diúltaithe a chur leis, téann Open-MCR céim níos faide agus cuireann sé ar chumas an mhúnla gan réamhaisnéis a ghiniúint i gcásanna nuair nach bhfuil sé soiléir. Feabhsaíonn sé seo an fheidhmíocht iomlán agus tá sé go háirithe úsáideach i gcásanna ina bhfuil leibhéal muiníne an mhúnla íseal. Go bunúsach, próiseálann Open-MCR agus tuigeann sé ionchur seicheamhach trí úsáid a bhaint as buntáistí na líonraí néaróga comhcheangailte agus athfhillteach. Is uirlis sholúbtha é an tsamhail le haghaidh raon leathan feidhmchlár a bhuíochas le dearadh ilchainéil, a fheabhsaíonn a chumas patrúin agus naisc casta a aithint. Is féidir le húsáideoirí an leabharlann a ionchorprú ina n-iarratais go tapa mar gheall ar a chur i bhfeidhm simplí. Tá an leabharlann suite chun na réimsí próiseála sonraí seicheamhacha agus foghlama domhain a chur chun cinn go suntasach de réir mar a fhorbraíonn sé níos faide.

Previous Next

Ag Tosú le Open-MCR

Is é an bealach molta chun leabharlann Open-MCR a shuiteáil ná trí úsáid a bhaint as pip. Úsáid an t-ordú seo a leanas le haghaidh suiteála réidh.

Suiteáil Leabharlann Open-MCR trí pip

 pip install open-mcr

Is féidir leat an leabharlann a íoslódáil go díreach ó GitHub

Úsáid an Meicníocht Diúltaithe i Feidhmchláir Python

Is é an ghné shainiúil de Open-MCR ná a mheicníocht diúltaithe, a chuireann cumhacht ar mhúnlaí chun diúltú ó thuar a dhéanamh nuair a bhíonn siad ag tabhairt aghaidh ar chásanna débhríoch nó dúshlánacha. Tá an cumas seo ríthábhachtach i bhfeidhmchláir sa saol fíor áit a bhfuil sé riachtanach tuar míchearta a sheachaint. Seo sampla a thaispeánann conas an mheicníocht diúltaithe a úsáid le cúpla líne cód amháin. Le húsáid réidh, iompórtáil an rang OpenMCR ón leabharlann ar dtús agus tús a chur leis ag baint úsáide as do mhúnla foghlama meaisín roghnaithe. Socraigh an paraiméadar rejection_threshold chun leibhéal muiníne a rialú don diúltú.

Conas Meicníocht Diúltaithe a Úsáid laistigh de Aipeanna Python?

from openmcr import OpenMCR
from sklearn.ensemble import RandomForestClassifier

# Initialize Open-MCR with a RandomForestClassifier
model = RandomForestClassifier()
mcr_model = OpenMCR(model, rejection_threshold=0.3)

# Train the model
mcr_model.fit(X_train, y_train)

# Make predictions with rejection
predictions = mcr_model.predict(X_test)

Léigh & Sliocht Sonraí ó Íomhánna trí API Python

Tá an leabharlann Python foinse oscailte Open-MCR tar éis tacaíocht iomlán a sholáthar chun sonraí a luchtú agus a léamh ó íomhánna laistigh de fheidhmchláir Python. Chun scrúduithe a láimhseáil agus bileoga a léamh, caithfidh úsáideoirí gach bileog a scanadh le scanóir caighdeánach ar dtús. Tiontaigh iad go híomhánna aonair agus cuir iad i bhfillteán amháin, lena n-áirítear eochracha na bhfreagraí. Chomh maith le léamh íomhánna scanta, is féidir leis na torthaí scrúduithe a scórú go huathoibríoch freisin. Déanann sé seo trí na heochracha a tugadh ar fáil a chur i gcomparáid leis an aschur. Tar éis don chlár críochnú an próiseála, sábhálfar na torthaí mar chomhaid CSV i bhfillteán aschur roghnaithe agat. Thug an leabharlann tacaíocht freisin chun sonraí a bhaint amach nuair a léann sé íomhánna beagán mísháraithe. Leis an leagan is déanaí, chuir an leabharlann feabhas ar algartam aimseoireachta greille agus faigheann sé torthaí níos fearr le d'íomhá. Bunúann sé greille bunaithe ar na ceithre marc cúinne agus léann sé na bolgáin ó shuíomhanna sa ghreille. Taispeánann an sampla seo a leanas conas torthaí a ríomh trí chód Python.

Conas Torthaí Bileog Bhabhta Scrúduithe a Ríomh ag baint úsáide as API Python?

import csv
import pathlib
import typing as tp

import data_exporting
import grid_info
import list_utils
import math_utils

def score_results(results: data_exporting.OutputSheet,
                  answer_keys: data_exporting.OutputSheet,
                  num_questions: int) -> data_exporting.OutputSheet:
    answers = results.data
    keys = establish_key_dict(answer_keys)
    form_code_column_name = data_exporting.COLUMN_NAMES[
        grid_info.Field.TEST_FORM_CODE]
    form_code_index = list_utils.find_index(answers[0], form_code_column_name)
    answers_start_index = list_utils.find_index(
        answers[0][form_code_index + 1:], "Q1") + form_code_index + 1
    virtual_fields: tp.List[grid_info.RealOrVirtualField] = [
        grid_info.VirtualField.SCORE, grid_info.VirtualField.POINTS
    ]
    columns = results.field_columns + virtual_fields
    scored_results = data_exporting.OutputSheet(columns, num_questions)

    for exam in answers[1:]:  # Skip header row
        fields = {
            k: v
            for k, v in zip(results.field_columns, exam[:answers_start_index])
        }
        form_code = exam[form_code_index]
        try:
            if "*" in keys:
                key = keys["*"]
            else:
                key = keys[form_code]
        except KeyError:
            fields[grid_info.VirtualField.
                   SCORE] = data_exporting.KEY_NOT_FOUND_MESSAGE
            fields[grid_info.VirtualField.
                   POINTS] = data_exporting.KEY_NOT_FOUND_MESSAGE
            scored_answers = []
        else:
            scored_answers = [
                int(actual == correct)
                for actual, correct in zip(exam[answers_start_index:], key)
            ]
            fields[grid_info.VirtualField.SCORE] = str(
                round(math_utils.mean(scored_answers) * 100, 2))
            fields[grid_info.VirtualField.POINTS] = str(sum(scored_answers))
        string_scored_answers = [str(s) for s in scored_answers]
        scored_results.add(fields, string_scored_answers)

    return scored_results

Cruinneas agus Seasmhacht Feabhsaithe

Is leabharlann foinse oscailte Open-MCR é atá ina bhreiseán luachmhar don toolkit de chleachtóirí foghlama meaisín atá ag iarraidh feabhas a chur ar fheidhmíocht a gcuid samhlacha rangú iolrach. Méadaíonn an meicníocht diúltaithe cruinneas iomlán na samhlacha rangú iolrach, go háirithe i gcásanna ina bhféadfadh samhlacha traidisiúnta streachailt a fháil. Méadaíonn an meicníocht seo freisin láidreacht an tsamhail trí chosc a chur ar réamh-mheasanna neamhiontaofa, ag cinntiú torthaí níos iontaofa i ndéananna éagsúla an domhain fíor.

 Gaeilge