تایپکنندگان را از هم تشخیص دهید
چرا مهم است «تایپ شما شما را مشخص میکند» تا وقتی تطبیقدهنده را خودتان نسازید شبیه یک داستان ترسناک به نظر میرسد. در این آزمایشگاه 50 تایپکنندهٔ ساختگی را فقط از روی زمانبندی از هم تشخیص میدهید، سپس یک دفاع ساده را روشن میکنید و اندازه میگیرید چقدر کمک میکند. در پایان هم میدانید ترفند چطور کار میکند و هم چه چیزی آن را کند میکند.
برنامه، به زبان روزمره
تصور کنید یاد میگیرید 50 نفر را از در زدنشان بشناسید. اول به در زدن هر نفر چهار بار گوش میدهید و ریتم معمول او را به خاطر میسپارید. سپس کسی در میزند و میپرسید: این به ریتم معمول چه کسی نزدیکتر است؟ کل روش همین است.
نمایه (profile): خلاصهای از رفتار معمول یک شخص، اینجا میانگین زمانبندیهایش. ساختن نمایهها از نمونههای شناختهشده ثبتنام (enrolment) نامیده میشود.
ویژگی (feature): عددی که یک نمونه را توصیف میکند. فهرستی از ویژگیها یک رویداد درهم (یک عبارت تایپشده) را به چیزی تبدیل میکند که کد بتواند مقایسه کند.
دادهٔ تمرینی
typing_samples() از دنیای تمرینی تلاشهایی برای تایپ عبارت ثابت keep it private به شما میدهد. هر تلاش یک dict است:
{"typist": "T07",
"dwell": [96, 104, 88, ...], # 15 numbers, one per key, in milliseconds
"flight": [151, 130, 202, ...]} # 14 numbers, one per gap between keys
تایپکنندگان را یک مولد بذردار ساخته، که بهطور کلی شبیه تایپ معمولی است. پس دقتی که اندازه میگیرید میگوید این تایپکنندگان را چقدر خوب از هم جدا میکنید. پژوهشهای واقعی بسته به آدمها، صفحهکلیدها و متن، بازهٔ گستردهای از نتیجهها را گزارش میدهند؛ ما ادعایی دربارهٔ دقت دنیای واقعی نداریم.
اندازهگیری «چقدر نزدیک»
برای مقایسهٔ دو فهرست زمانبندی، جمع بزنید در هر جایگاه چقدر از هم فاصله دارند، بیتوجه به اینکه فاصله مثبت است یا منفی. abs() در Python علامت را حذف میکند: abs(-7) برابر 7 است. zip(a, b) در Python دو فهرست را کنار هم میپیماید:
for x, y in zip([100, 150], [90, 170]):
print(x, y, abs(x - y)) # 100 90 10, then 150 170 20
پس فاصله اینجا 10 + 20 = 30 است. فاصلهٔ کمتر یعنی «شبیهتر».
دفاع: نویز
گزینهٔ noise به هر زمانبندی لرزشی تصادفی به اندازهٔ حدود همان تعداد میلیثانیه اضافه میکند، به شیوهای که یک ابزار حریم خصوصی ممکن است رویدادهای کلید را پیش از آنکه صفحه ببیند به مقدارهای کوچک تصادفی تأخیر دهد. ببینید با دقت شما چه میکند، و فکر کنید با کسی که تایپ میکند چه میکرد: 150 میلیثانیه تأخیر تصادفی روی هر کلید کُند به نظر میرسید.
در زبانهای دیگر
گامهای فاصله و نزدیکترین نمایه در JavaScript:
const distance = (a, b) => a.reduce((t, x, i) => t + Math.abs(x - b[i]), 0);
function identify(features, profiles) {
let best = null, bestDist = Infinity;
for (const [name, p] of Object.entries(profiles)) {
const d = distance(features, p);
if (d < bestDist) { best = name; bestDist = d; }
}
return best;
}و فاصله در Rust:
fn distance(a: &[f64], b: &[f64]) -> f64 {
a.iter().zip(b).map(|(x, y)| (x - y).abs()).sum()
}آنچه باید ببینید
بدون نویز، تقریباً هر تلاش به تایپکنندهٔ درست جور میشود. نویز متوسط (50 میلیثانیه) کمی از دقت میکاهد، اما بیشتر تلاشها همچنان جور میشوند؛ نویز سنگین (150 میلیثانیه) دقت را بهشدت پایین میآورد. این بدهبستان صادقانه است: نویز زمانبندی کمک میکند، اما نویزی به اندازهٔ کافی برای پنهانکردن شما تایپ را هم بدتر میکند. درس پایانی این ماژول به دفاعهایی میپردازد که از راحتی شما نمیکاهند.
خلاصه
- ثبتنام: زمانبندیهای هر شخص را در یک نمایه میانگین بگیرید.
- شناسایی: نمایهای را انتخاب کنید که کمترین فاصلهٔ کل را دارد.
- نویز زمانبندی تصادفی دقت را پایین میآورد، اما فقط نویز سنگین آن را زیاد پایین میآورد، و این از راحتی میکاهد.
- دقت روی تایپکنندگان تولیدشده مولد را توصیف میکند، نه آدمهای واقعی را.
پنج تابع بنویسید. features(sample) مقدار sample["dwell"] و پس از آن sample["flight"] را به شکل یک فهرست برمیگرداند. distance(a, b) جمع abs(x - y) روی دو فهرست کنار هم را برمیگرداند. build_profiles(samples) یک dict برمیگرداند که نام هر تایپکننده را به میانگین جایگاه به جایگاه فهرستهای ویژگیاش نگاشت میکند. identify(sample, profiles) نامی را برمیگرداند که نمایهاش کمترین فاصله را با ویژگیهای نمونه دارد. accuracy(train, test) نمایهها را از train میسازد و کسری از نمونههای test را که identify درست میگیرد برمیگرداند (عددی از 0 تا 1). چاپ پایین از قبل نوشته شده است.
مشکلی در این درس دیدید؟ گزارشش کنید · دربارهٔ این درس بپرسید
این تمرین بهزودی باز میشود
درس پیش از آن را تمام کنید تا این یکی باز شود. کل دوره رایگان است، حساب کاربری لازم نیست، و میتوانید همین الان این درس را بخوانید.
این مرورگر کوکیهای learn.floati.life را مسدود میکند، پس درسهایی که اینجا تمام کردید نمیتوانند به ترتیب باز شوند. کوکیها را برای این سایت مجاز کنید و صفحه را دوباره بارگذاری کنید.