Пользователю, работающему с программным средством необходимы навыки работы с операционной системой Microsoft Windows.
Данный программный модуль предназначен для автоматизации отдела подбора персонала. На рисунке 5.1 - основное окно программы показано основное окно программы.
Рисунок 5– Основное окно программы
5.2 Руководство программиста
Данное руководство представляет собой документацию для разработчиков, которым в процессе введения в эксплуатацию разработанного программного комплекса требуется внести изменения в код комплекса или расширить его функционал.
Для того чтобы открыть проект необходима установленное программное обеспечение:
· Python x64 3.7 и выше;
· PyQt5 версия 5.14.1 и выше;
· PySimpleGUI версия 1.x и выше;
· Pillow версия 7.0.0 и выше;
· matplotlib версия 3.1.3 и выше;
· keras версия 2.3.1 и выше;
· tensorflow версия 2.1.0 и выше;
Руководство системного администратора
Данное руководство содержит перечень указаний, которые необходимо выполнить для введения разработанного программного комплекса в эксплуатацию.
|
|
К компьютерам, на которых планируется запуск и работа комплекса, предъявляются следующие системные требования:
- Операционная система Microsoft Windows 8.1 и выше или Microsoft Windows Server 2012 и выше;
- Процессор Intel i3 2000 МГц и выше;
- Оперативная память 4096 Мбайт и выше;
Список использованной литературы
1. Гонсалес Р., Вудс Р. Цифровая обработка изображений. – Litres, 2019.
2. Романов П. Н. Цифровые методы обработки цифровых изображений //Актуальные проблемы науки и техники. 2018. – 2018. – С. 318-319.
3. Маглинец Ю. А., Гук А. П., Перфильев Д. А. Цифровая обработка изображений. – 2019.
4. Коэльо Л. П., Ричарт В. Построение систем машинного обучения на языке Python //М.: ДМК Пресс. – 2016.
5. Гребнев К. Н. Машинное обучение с помощью библиотеки scikit-learn языка Python //Главный редактор. – 2017. – С. 277.
6. Акимов А. В., Сирота А. А. Модели и алгоритмы искусственного размножения данных для обучения алгоритмов распознавания лиц методом Виолы–Джонса //Компьютерная оптика. – 2016. – Т. 40. – №. 6.
7. Праулов Г. А., Обломов И. А. Метод Виолы-Джонса для обнаружения лиц //Приоритетные направления развития образования и науки. – 2017. – С. 81-83.
8. Yim A., Chung C., Yu A. Matplotlib for Python Developers: Effective techniques for data visualization with Python. – Packt Publishing Ltd, 2018.
9. Oliphant T. E. Python for scientific computing //Computing in Science & Engineering. – 2007. – Т. 9. – №. 3. – С. 10-20.
10. Hart W. E. et al. Pyomo-optimization modeling in python. – Berlin: Springer, 2017. – Т. 67.
11. Kaehler A., Bradski G. Learning OpenCV 3: computer vision in C++ with the OpenCV library. – " O'Reilly Media, Inc.", 2016.
12. Gamage G. et al. Reinstating Dlib Correlation Human Trackers Under Occlusions in Human Detection based Tracking //2018 18th International Conference on Advances in ICT for Emerging Regions (ICTer). – IEEE, 2018. – С. 92-98.
13. Sharma S., Shanmugasundaram K., Ramasamy S. K. FAREC—CNN based efficient face recognition technique using Dlib //2016 International Conference on Advanced Communication Control and Computing Technologies (ICACCCT). – IEEE, 2016. – С. 192-195.
|
|
14. Meier B. A. Python GUI programming cookbook: develop functional and responsive user interfaces with Tkinter and PyQt5. – Packt Publishing, 2019.
15. Ketkar N. et al. Deep Learning with Python. – Berkeley, CA: Apress, 2017. – Т. 1.
16. Lynch S. Image Processing with Python //Dynamical Systems with Applications using Python. – Birkhäuser, Cham, 2018. – С. 471-489.
17. Yu A., Chung C., Yim A. Matplotlib 2. x By Example. – Packt Publishing Ltd, 2017.
18. Abadi M. et al. Tensorflow: A system for large-scale machine learning //12th {USENIX} Symposium on Operating Systems Design and Implementation ({OSDI} 16). – 2016. – С. 265-283.
19. Gulli A., Pal S. Deep learning with Keras. – Packt Publishing Ltd, 2017.