Программно установить адрес прокси, порт, пользователя, пароль через реестр Windows
Я пишу небольшое приложение на C #, которое будет использовать Internet Explorer для взаимодействия с парой веб-сайтов, с помощью WatiN .
Однако, это также потребует время от времени, чтобы использовать прокси.
Я встречал Программно установить настройки прокси браузера в C # , но это только позволяет мне вводить адрес прокси, и мне также нужно ввести прокси имя пользователя и пароль. Как я могу это сделать?
Примечание:
- Не имеет значения, изменяет ли решение все настройки системы Интернет. Тем не менее, я бы предпочел изменить только настройки прокси IE (для любого подключения). но я заметил много совпадений между ними. От людей с опытом работы в этих областях, что именно проводит грань между ними?
Люди часто разбрасывают термины IR, ML и интеллектуальный анализ данных, но я заметил много совпадений между ними.
От людей с опыт в этих областях, что именно проводит черту между ними?
2 ответа
Это просто мнение одного человека (формально обученного машинному обучению); другие могут видеть вещи совершенно иначе.
Машинное обучение , вероятно, является наиболее однородным из этих трех терминов и применяется наиболее последовательно - оно ограничивается извлечением паттернов (или сопоставлением с образцом) сами алгоритмы .
Из терминов, которые вы упомянули, «машинное обучение» чаще всего используется академическими отделами для описания своих учебных программ, их академических отделов и их исследовательских программ, а также термин, наиболее часто используемый в академических журналах и материалах конференций.ML явно наименее зависит от контекста из упомянутых вами терминов.
Поиск информации и интеллектуальный анализ данных намного ближе к описанию полных коммерческих процессов , то есть от запроса пользователя до получения / доставки соответствующих результатов. Алгоритмы машинного обучения могут быть где-то в этом процессе, и в более сложных приложениях часто бывает, но это не формальное требование. Кроме того, термин Data Mining обычно относится к применению некоторого потока процессов к большим данным (т. Е.> 2 ГБ) и, следовательно, обычно включает распределенную обработку (уменьшение карты) компонент в начале рабочего процесса.
Таким образом, поиск информации (IR) и интеллектуальный анализ данных (DM) связаны с машинным обучением (ML) в некотором роде инфраструктурного алгоритма . Другими словами, машинное обучение - это один из источников инструментов, используемых для решения проблем при поиске информации. Но это только один источник инструментов. Но IR не зависит от ML - например, конкретный проект IR может заключаться в хранении и быстром извлечении полностью проиндексированных данных в ответ на поисковый запрос пользователя IR, суть которого заключается в оптимизации производительности потока данных, т. Е. , путь туда и обратно от запроса до доставки результатов поиска пользователю. Прогнозирование или сопоставление с образцом здесь могут быть бесполезны.Аналогичным образом, проект DM может использовать алгоритм машинного обучения для механизма прогнозирования, но проект DM, скорее всего, также будет связан со всем потоком обработки - например, методы параллельных вычислений для эффективного ввода огромного объема данных (возможно, TB). ), который передает прото-результат в механизм обработки для вычисления описательной статистики (среднее значение, стандартное отклонение, распределение и т. д. по переменным (столбцам).
Наконец, рассмотрим приз Netflix. Этот конкурс был направлен исключительно на машинное обучение - основное внимание уделялось алгоритму прогнозирования, что подтверждается тем фактом, что существует единственный критерий успеха: точность прогнозов, возвращаемых алгоритмом. Представьте, если бы «Приз Netflix» был переименован в соревнование по интеллектуальному анализу данных. Критерии успеха почти наверняка будет расширен для более точного доступа к производительности алгоритма в реальных коммерческих условиях - так, например, общая скорость выполнения (насколько быстро рекомендации де передается пользователю), вероятно, будет рассматриваться наряду с точностью.
Термины «Поиск информации» и «Интеллектуальный анализ данных» сейчас широко используются, хотя какое-то время я видел эти термины только в описании моей должности или в литературе поставщиков (обычно рядом со словом «решение»). работодатель, мы недавно наняли аналитика Data Mining. Не знаю, чем он конкретно занимается, но на работу он носит галстук каждый день.
Можно также добавить распознавание образов и (вычислительную?) статистику как еще пару областей, которые пересекаются с тремя упомянутыми вами.
Я бы сказал, что между ними нет четко очерченной границы. Их отличает история и акценты. Статистика подчеркивает математическую строгость, добыча данных - масштабирование на большие массивы данных, ML находится где-то посередине.