From Zero to AI Hero Presented by: Kevin - - PDF document
W4 Test Analytics, AI/ ML Wednesday, October 2nd, 2019 11:30 AM From Zero to AI Hero Presented by: Kevin Pyles
Test ¡Analytics, ¡AI/ ¡ML ¡ Wednesday, ¡October ¡2nd, ¡2019 ¡11:30 ¡AM ¡ ¡ ¡ ¡ ¡
Presented ¡by: ¡ ¡ ¡
¡ Domo, ¡Inc ¡ ¡
Brought ¡to ¡you ¡by: ¡ ¡ ¡ ¡
¡
¡
¡ ¡
888-‑-‑-‑268-‑-‑-‑8770 ¡·√·√ ¡904-‑-‑-‑278-‑-‑-‑0524 ¡-‑ ¡info@techwell.com ¡-‑ ¡http://www.starwest.techwell.com/ ¡ ¡ ¡
¡
¡ ¡ ¡
¡
¡ Kevin ¡Pyles ¡has ¡been ¡in ¡QA ¡for ¡over ¡ten ¡years ¡and ¡has ¡led ¡local ¡and ¡remote ¡teams ¡ responsible ¡for ¡QA ¡across ¡forty-‑plus ¡concurrent ¡projects. ¡Kevin’s ¡previous ¡teams ¡ provided ¡web ¡load ¡testing ¡for ¡over ¡600,000 ¡connections/sec ¡and ¡I18N ¡and ¡L10N ¡ testing ¡for ¡over ¡a ¡hundred ¡languages ¡and ¡countries. ¡Kevin ¡recently ¡fell ¡in ¡love ¡with ¡ artificial ¡intelligence ¡and ¡Python ¡and ¡has ¡since ¡been ¡promoting ¡AI ¡as ¡the ¡future ¡of ¡ testing, ¡whether ¡through ¡homegrown ¡or ¡commercial ¡services. ¡Follow ¡Kevin ¡on ¡ Twitter ¡@pyleskevin. ¡ ¡
1 for i in range(m): Θj = Θj-α(ŷi-yi)xi
j
Stochastic Gradient Descent
ŷ = a * x + b
Linear Regression Cost Function (J) of Linear Regression
J = 1 n Σ
n i=1
(predi – yi)2 P(c|x)=
Naïve Bayes
P(x|c)P(c) P(x)
P(c|X) = P(x1|c)×P(x2|c)
ŷ = b_1*X_1 + b_2*X_2 + b_3*X_3 + a
Multiple Linear Regression Perception Learning Rule
wi,j
(next step)= wi,j+n(yj-ŷj)xi
Root Mean Square Error
SE(X,h) = 1 m Σ
m i=1
(h(x(i))i – y(i))2
Logistic Regression
F(x)= ___1___ 1 + e-x
ŷ = a * x + b
Linear Regression
2
3
4
import numpy as np import pandas as pd import matrix_factorization_utilities # Load user ratings raw_dataset_df = pd.read_csv('movie_ratings_data_set.csv') # Load movie titles movies_df = pd.read_csv('movies.csv', index_col='movie_id') # Convert the running list of user ratings into a matrix ratings_df = pd.pivot_table(raw_dataset_df, index='user_id’, columns='movie_id’, aggfunc=np.max) # Apply matrix factorization to find the latent features U, M = matrix_factorization_utilities.low_rank_matrix_factorization(ratings_df.as_matrix(), num_features=15, regularization_amount=0.1)
5
6
7
8
9
Machine Learning Artificial Intelligence Data Science Automation
10 for i in range(m): Θj = Θj-α(ŷi-yi)xi
j
Stochastic Gradient Descent
ŷ = a * x + b
Linear Regression Cost Function (J) of Linear Regression
J = 1 n Σ
n i=1
(predi – yi)2 P(c|x)=
Naïve Bayes
P(x|c)P(c) P(x)
P(c|X) = P(x1|c)×P(x2|c)
ŷ = b_1*X_1 + b_2*X_2 + b_3*X_3 + a
Multiple Linear Regression Perception Learning Rule
wi,j
(next step)= wi,j+n(yj-ŷj)xi
Root Mean Square Error
SE(X,h) = 1 m Σ
m i=1
(h(x(i))i – y(i))2
Logistic Regression
F(x)= ___1___ 1 + e-x ŷ = a * x + b
Linear Regression
11
12
13
from selenium import webdriver #Open a browser driver = webdriver.Chrome() #Go to Google.com driver.get(‘https://www.google.com’) for i in range(m): Θj = Θj-α(ŷi-yi)xi
j
Stochastic Gradient Descent
ŷ = a * x + b
Linear Regression Cost Function (J) of Linear Regression
J = 1 n Σ
n i=1
(predi – yi)2 P(c|x)=
Naïve Bayes
P(x|c)P(c) P(x)
P(c|X) = P(x1|c)×P(x2|c)
ŷ = b_1*X_1 + b_2*X_2 + b_3*X_3 + a
Multiple Linear Regression Perception Learning Rule
wi,j
(next step)= wi,j+n(yj-ŷj)xi
Root Mean Square Error
SE(X,h) = 1 m Σ
m i=1
(h(x(i))i – y(i))2
Logistic Regression
F(x)= ___1___ 1 + e-x ŷ = a * x + b
Linear Regression
14
Artificial Intelligence Data Science Machine Learning Data Analytics
15
16
17
18
for i in range(m): Θj = Θj-α(ŷi-yi)xi
j
Stochastic Gradient Descent
ŷ = a * x + b
Linear Regression Cost Function (J) of Linear Regression
J = 1 n Σ
n i=1
(predi – yi)2 P(c|x)=
Naïve Bayes
P(x|c)P(c) P(x)
P(c|X) = P(x1|c)×P(x2|c)
ŷ = b_1*X_1 + b_2*X_2 + b_3*X_3 + a
Multiple Linear Regression Perception Learning Rule
wi,j
(next step)= wi,j+n(yj-ŷj)xi
Root Mean Square Error
SE(X,h) = 1 m Σ
m i=1
(h(x(i))i – y(i))2
Logistic Regression
F(x)= ___1___ 1 + e-x ŷ = a * x + b
Linear Regression
19
– Classification – Training models – Vector Machines – Decision Trees – TensorFlow – Convolutional Neural Nets – Recurrent Neural Nets – Reinforcement Learning – Yeah…there’s more in there…
20
Problem: Image Comparison Tools require exact matches. i.e. Pixel = Pixel Solution: Fuzzy Comparison using Machine Learning Generate screenshots, as many as you want Test Case will then create a screenshot and compare against previous screenshots. We even use black and white because we don’t care about the color. If there is a 99% match that is close enough.
21
Class ImageCompare(): def compare_images(self, image_array_1, image_array_2): #convert the images to grayscale grayA = cv2.cvtColor(image_array_1[:], cv2.COLOR_BGR2GRAY) grayB = cv2.cvtColor(image_array_2[:], cv2.COLOR_BGR2GRAY) #computer the Structure Similarity Index (SSIM) between the two #images, ensuring that the difference between the images is returned (score, diff) = compare_ssim(grayA, grayB, full=True) diff = (diff * 255).astype(“uint8”) print(“SSIM: {}”.format(score)) return score . . .
22
for i in range(m): Θj = Θj-α(ŷi-yi)xi
j
Stochastic Gradient Descent
ŷ = a * x + b
Linear Regression Cost Function (J) of Linear Regression
J = 1 n Σ
n i=1
(predi – yi)2 P(c|x)=
Naïve Bayes
P(x|c)P(c) P(x)
P(c|X) = P(x1|c)×P(x2|c)
ŷ = b_1*X_1 + b_2*X_2 + b_3*X_3 + a
Multiple Linear Regression Perception Learning Rule
wi,j
(next step)= wi,j+n(yj-ŷj)xi
Root Mean Square Error
SE(X,h) = 1 m Σ
m i=1
(h(x(i))i – y(i))2
Logistic Regression
F(x)= ___1___ 1 + e-x ŷ = a * x + b
Linear Regression
23
24
25
Machine Learning Artificial Intelligence Data Science Automation
26
@pyleskevin www.linkedin.com/in/kevin-pyles