true
true
متن سئو شماره ۱۸

فرض کنید یک مجموعه آزمون برای برنامه باشد. هر مورد آزمون که  ، دارای یک ورودی و خروجی مورد انتظار است. اجرای برروی هر مورد آزمون ، خروجی  را تولید می‌کند. می گوییم ، مورد آزمون را پاس می‌کند (یا می توان گفت یک مورد آزمون موفق است) اگر و تنها اگر برابر باشد؛ در غیر‌اینصورت برروی ناموفق عمل کرده است (یک آزمون ناموفق است). به ترتیب همانگونه که در روابط  و  نشان داده شده است، آزمون براساس موارد آزمون موفق و ناموفق به دو زیر مجموعه مجزای و افراز می‌شود:

برای جمع‌آوری اطلاعاتی از رفتار زمان اجرای برنامه، دستوراتی اضافی در کد برنامه وارد می‌شود. با استفاده از مستندگذاری می‌توان  اطلاعات مهمی مانند مسیر اجرایی برنامه، تعداد دفعات اجرای یک جمله یا یک مسیر در برنامه، در طول یک اجرا براساس یک مجموعه داده‌های ورودی را تشخیص داد. مستندگذاری کاربردهای زیادی نظیر اندازه‌گیری میزان پوشش یک مورد آزمون، تشخیص بی‌نظمی در جریان داده و مکان‌یابی خطا دارد.

فرآیند مستندگذاری ممکن است تأثیرات جانبی نامطلوبی بر روی برنامه اصلی داشته باشد، یا به عبارتی منجر به تغییر رفتار اصلی برنامه در زمان اجرا شود. بنابراین مسأله مهم در فرآیند مستندگذاری این است که اطمینان حاصل پیدا کنیم که جملات مستندگذاری وارد شده به برنامه تأثیری بر عملکرد اصلی آن ندارند. مستندگذاری سنتی با قرار دادن جملاتی در کد برنامه اصلی انجام می‌گیرد. فرض کنید یک ورودی برای یک برنامه خاص به مثل باشد. اگر برنامه را به ازای ورودی اجرا کنیم، برنامه، مسیر اجرایی خاصی به نام را طی خواهد کرد. مسیر ، دنباله کاملی از جملات است که اجرا شده‌اند، بعضی از جملات ممکن است چندین بار اجرا شده باشند. مسیر با شروع از نقطه ورودی برنامه و دنباله تصمیماتی که در محل انشعابی گرفته خواهد شد، تعیین می‌شود. نقاط انشعابی که همان جملات جریان کنترلی هستند، در جدول لیست مشخص شده‌اند.با توجه به تصمیمی که در این نقاط از برنامه گرفته می‌شود، مسیرهای مختلفی در برنامه دنبال می‌شود.خوشه‌بندی، یک تکنیک معمول برای تحلیل داده‌های آماری است. که در زمینه‌هایی مثل یادگیری ماشین، داده کاوی، شناسایی الگو و تحلیل مورد استفاده قرار می‌گیرد. خوشه‌بندی، افراز کردن یک مجموعه داده در یک سری زیر مجموعه یا خوشه است به طوری که داده‌های هر خوشه در یک یا چند ویژگی مشترک باشند. اغلب این شباهت‌ها، منطبق با یک سری معیار فاصله تعریف می‌شود. در یادگیری ماشین، خوشه‌بندی به عنوان یک نوع یادگیری بدون نظارت در نظر گرفته می‌شود. اگر دسته‌کننده، براساس اطلاعات معلوم قبلی در رابطه با کلاس‌ها طراحی شود، نظارت شده نامیده می‌شود و اگر بدون اطلاعات قبلی در مورد کلاس‌ها و تنها براساس معیارهای شباهت بین الگوها دسته‌بندی انجام شود، بدون نظارت نامیده می‌شود. خوشه‌بندی را می‌توان به عنوان شکلی از دسته‌بندی در نظر گرفت، اما باید توجه داشت که با هم یکی نیستند و دو مفهوم متفاوت می‌باشند. منظور از دسته‌بندی، دسته‌بندی با نظارت است، که با کمک یک مجموعه آموزشی از الگوهای دسته‌بندی انجام می‌شود، در حالیکه در خوشه‌بندی منظور دسته‌بندی بدون نظارت است، خوشه‌بندی بدون مجموعه کمک مجموعه آموزشی و بدون دانش قبلی صورت می‌پذیرد.  در خوشه‌بندی اشیاء به گروه‌هایی که اعضای آنها از جهتی به هم شباهت دارند خوشه‌بندی می‌شوند، بنابراین یک خوشه مجموعه‌ای از اشیاء است که به هم شباهت دارند و با اشیاء متعلق به خوشه‌های دیگر، بی‌شباهت هستند.

true
تهران،خ شهران،خ کوهسار،خ شهدای کن،کوی سادات،پلاک 11،واحد 5
021-44300483 basepapaer.ir[at]gmail.com
سلام! به فروشگاه اینترنتی "دانلود مقاله | ترجمه مقاله"خوش آمدید