Intel、コードの異常パターンを自動検出する「ControlFlag」をオープンソース化
ControlFlagはGitHubのようなバージョン管理システム上のオープンソースリポジトリをマイニングする。それにより、C/C++のような高級プログラミング言語の制御構造における一般的なパターンを学習し、新たに与えられたコードの異常を検出する。 ControlFlagは単純な誤植（タイポエラー）の検出はもちろん、NULLチェック漏れに対するフラグ付けなど、さまざまな問題検出に利用できる。 開発時間と開発コストの50％を占めるデバッグを改善 ソフトウェア開発者は開発時間の50％以上をデバッグに費やしていると推定されている。ControlFlagは、コードの異常パターンの自動検出機能により、デバッグを改善することを目指したツールだ。 Intelは、開発者がControlFlagを使ってデバッグ作業を効率化し、創造的な作業により多くの時間をかけられるようになることを期待している。 デバッグが
なぜ機械学習にPythonが選ばれるのか - Qiita
教育言語として Pythonは「同じインデントレベルの文は同じ塊」というルールを採用しており、見掛け上のPythonプログラムの最大の特徴となっています。 Python作者のGuido van Rossum氏(オランダ人でアムステルダム大学卒)はPythonを開発する以前に、オランダで教育向けの「ABC言語」の開発に関わっており、Python自体はRAD(迅速なアプリケーション開発)がメインで教育用を念頭に開発してはいなかったものの、ルーツとなったABC言語では文法に関してさまざまな研究が行われ、インデントを使うのが初心者にとってもっとも間違いにくいブロックの表現として採用していたのです。(Donald Knuth氏が推進していた。) Rubyist のための他言語探訪 【第 1 回】 Python Pythonがプログラミングの学習に向いているたった一つの理由 From ABC to P
機械学習で2年分の積雪量の変化を予測してみた - Qiita
このエントリーは以前書いた機械学習で積雪の有無を予測してみたの続編です。この時は積雪の有無(1か0か)だけを予測したのですが、もうちょっと頑張って積雪量の変化を予測してみました。 先に結果を記しとくと、こんな感じになりました。横軸が日数、縦軸が積雪量(cm)です。 結果その1（青が実際の積雪量、赤線が予測した積雪量） 結果その２（青が実際の積雪量、赤線が予測した積雪量） 「結果その１」と「結果その２」がそれぞれ何なのかは以下を読んでみてください。 やりたかったこと 以前、機械学習で積雪の有無を予測してみた で scikit-learn を使って積雪の有無を予測してみたのですが、ちょっと欲が出てきて、有無じゃなくてまとまった期間の実際の積雪量（cm）を予測してみたい、と思ってやってみました。 具体的には、気象庁から提供される 積雪量 風速 温度 などの気象データを取得して、そのうち最初の約7
精度95%以上！ ソースコードは指紋、作者はほぼ特定できる
精度95%以上！ ソースコードは指紋、作者はほぼ特定できる2015.02.11 19:0010,847 ほぼドンピシャでバレバレです。 スペースやタブ、大文字やアンダーバーを組み合わせた命名規則、コメント…コードの書き方には、人によってスタイルがありますよね。それはもう指紋のようなもので、それさえ見えれば、誰がコードを書いたかほとんどわかってしまう…そんな驚きの研究結果が発表されました。 米ドレクセル大学、メリーランド大学、プリンストン大学、独ゲッティンゲン大学の共同チームの研究によると、自然言語処理と機械学習によるコード分析により、95%の精度で作者は特定できるそうです。 解析されるのは、レイアウトや語彙の特性と、｢抽象構文木（AST）｣です。ASTとは、｢コードの書き方からまったく影響を受けずに、コードの型の特性をとらえる｣もので、つまり、関数の名前、コメント、スペース入れ方などのクセ
ソースコードを分析してその著者を特定するシステムが開発される | スラド デベロッパー
ストーリー by hylom 2015年01月30日 14時32分 コード品質判定システムなんかも作れるかも？ 部門より Drexel Universityとthe University of Maryland、the University of Goettingen、Princetoの研究者らが、ソースコードを分析し、その記述スタイルからその著者を検出する「code stylometry」なるシステムを開発したそうだ（Slashdot）。 実験では著者が明らかになっているソースコードを自然言語処理や機械学習といった技術を使って分析・学習するシステムを開発。250人の著者、1人の著者当たり平均630行のコードを学習させたところ、95％の成功率で「匿名のコード」の著者を見つけられたという。 また、学習に使用したソースコードの著者数を30人に減らし、また1人あたりのソースコード量を1900行に
1
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
話し言葉でプログラミング Microsoft、ノーコード進化 - 日本経済新聞
機械学習ゴリゴリ派のための数学とPython
Machine Learning for Programming