From c98ef3c4a75b4390a2ea352eb1edaa0e3e9b7904 Mon Sep 17 00:00:00 2001 From: norangebit Date: Fri, 18 Jun 2021 16:18:20 +0200 Subject: [PATCH] Remove strict & base --- src/chapter_3.md | 6 +++--- src/chapter_4.md | 4 ++-- 2 files changed, 5 insertions(+), 5 deletions(-) diff --git a/src/chapter_3.md b/src/chapter_3.md index 7af45b7..5909404 100644 --- a/src/chapter_3.md +++ b/src/chapter_3.md @@ -182,9 +182,9 @@ L'individuazione dei file di \ac{ML} è avvenuta mediante la definizione di due - Gruppo 1: librerie specifiche del \ac{ML} come ad esempio `keras`, `TensorFlow` e `Pytorch`. - Gruppo 2: librerie utilizzate in ambito \ac{ML}, ma anche in altri contesti. Appartengono a questo gruppo librerie come `numpy`, `scipy` e `pandas`. -Ogni file è stato classificato come di \ac{ML} o meno in base a due livelli severità. -Nel caso della severità *base* per rientrare all'interno dei file che fanno uso di librerie di \ac{ML} bastava importare almeno una libreria contenuta in uno dei due gruppi precedentemente descritti. -Mentre nel caso di severità *strict* era necessario importare almeno una libreria presente nel primo gruppo. +Ogni file è stato classificato come di \ac{ML} o meno in base a due livelli. +Nel primo caso, indicato con *all*, per rientrare all'interno dei file che fanno uso di librerie di \ac{ML} bastava importare almeno una libreria contenuta in uno dei due gruppi precedentemente descritti. +Mentre nel secondo caso, indicato con *wo_pandas_numpy_scipy*, era necessario importare almeno una libreria presente nel primo gruppo. Per entrambe le classificazioni si è andato a valutare a quanto ammontava la percentuale di file di \ac{ML} appartenenti ad ogni progetto. Anche in questo caso le distribuzioni sono state analizzate attraverso l'ausilio di un boxplot. diff --git a/src/chapter_4.md b/src/chapter_4.md index c358409..bb5d8af 100644 --- a/src/chapter_4.md +++ b/src/chapter_4.md @@ -8,13 +8,13 @@ Un'ulteriore aspetto interessante riguarda la varianza delle distribuzioni, infa ![Percentuale di files e directories modificate in base al tipo di cambiamento](figures/files-and-directories.pdf){#fig:files-directories width=100%} Nel boxplot in @fig:imports sono invece riportati i risultati per quanto riguarda l'utilizzo di import di \ac{ML}. -Si può notare che, indipendentemente dalla severità dell'analisi, la percentuale di file che utilizzano librerie di \ac{ML} è caratterizzata da una forte varianza. +Si può notare che, indipendentemente dal livello di analisi, la percentuale di file che utilizzano librerie di \ac{ML} è caratterizzata da una forte varianza. Ciò indica che i progetti inclusi all'interno dello studio sono di varia natura e che alcuni sono più incentrati sul \ac{ML} rispetto ad altri. Inoltre, considerando l'analisi *strict*, è possibile osservare come solo un $25\%$ dei progetti abbia una percentuale di files di \ac{ML} superiore al $45\%$. ![Percentuale di file che utilizzano librerie di ML](figures/imports.pdf){#fig:imports width=80%} -In relazione all'analisi *strict* sono stati poi analizzati i cinque progetti più \ac{ML} *intensive* per valutare eventuali caratteristiche comuni rispetto al dominio applicativo. +In relazione all'analisi *wo_pandas_numpy_scipy* sono stati poi analizzati i cinque progetti più \ac{ML} *intensive* per valutare eventuali caratteristiche comuni rispetto al dominio applicativo. Com'è possibile notare dalla @tbl:ml-intensive i vari progetti si occupano di problematiche diverse, ma in quasi tutti i casi è prevista l'estrapolazione di informazioni da immagini. L'unica eccezione è data dal progetto *jdb78/pytorch-forecasting* che si occupa del *forecasting* di serie temporali.