Александрит – драгоценный камень, названный в честь российского царя Александра II. Он известен своими уникальными свойствами изменения цвета: он выглядит зеленым при дневном свете и красным при свете ламп накаливания. Вот несколько методов, которые вы можете использовать для решения различных задач, а также примеры кода, связанные с Александритом:

1. Преобразование цвета:

   • Преобразуйте цвет александрита из дневного светло-зеленого в ярко-красный с помощью методов обработки изображений.

   Пример кода Python с использованием библиотеки OpenCV:

   import cv2
   import numpy as np
   def convert_color(image):
      # Define color conversion matrices
      daylight_to_incandescent = np.array([[0.5, 0, 0],
                                           [0, 0.5, 0],
                                           [0, 0, 1]])
      incandescent_to_daylight = np.array([[2, 0, 0],
                                           [0, 2, 0],
                                           [0, 0, 1]])
      # Convert image from daylight to incandescent color
      converted_image = cv2.transform(image, daylight_to_incandescent)
      # Convert image from incandescent to daylight color
      converted_image = cv2.transform(image, incandescent_to_daylight)
      return converted_image
   # Load and display original Alexandrite image
   original_image = cv2.imread('alexandrite.jpg')
   cv2.imshow('Original Image', original_image)
   # Convert Alexandrite color from daylight to incandescent
   converted_image = convert_color(original_image)
   cv2.imshow('Converted Image', converted_image)
   cv2.waitKey(0)
   cv2.destroyAllWindows()

2. Распознавание драгоценных камней:

   • Создайте модель машинного обучения, чтобы классифицировать и отличать александриты от других драгоценных камней.

   Пример кода Python с использованием библиотеки scikit-learn:

   from sklearn import datasets
   from sklearn.model_selection import train_test_split
   from sklearn.svm import SVC
   # Load the gemstone dataset
   gemstones = datasets.load_gemstones()
   # Split the dataset into training and testing sets
   X_train, X_test, y_train, y_test = train_test_split(gemstones.data, gemstones.target, test_size=0.2)
   # Train a support vector machine (SVM) classifier
   svm_classifier = SVC()
   svm_classifier.fit(X_train, y_train)
   # Predict the gemstone class for a new sample
   new_sample = [[5.1, 3.5, 1.4, 0.2]]  # Some example features for the new sample
   predicted_class = svm_classifier.predict(new_sample)
   print("Predicted class:", predicted_class)

3. Рекомендация по ювелирным изделиям:

   • Разработать систему рекомендаций, которая будет предлагать украшения с александритом на основе предпочтений пользователей.

   Пример кода Python с использованием совместной фильтрации с библиотекой Surprise:

   from surprise import Dataset, Reader, KNNBasic
   import pandas as pd
   # Load user ratings data
   ratings_data = pd.read_csv('user_ratings.csv')
   # Create a Surprise Dataset object
   reader = Reader(rating_scale=(1, 5))
   data = Dataset.load_from_df(ratings_data[['user_id', 'jewelry_id', 'rating']], reader)
   # Build a collaborative filtering model
   sim_options = {'name': 'cosine', 'user_based': True}
   model = KNNBasic(sim_options=sim_options)
   trainset = data.build_full_trainset()
   model.fit(trainset)
   # Get recommendations for a user
   user_id = 123  # Example user ID
   num_recommendations = 5
   user_items = trainset.ur[user_id]
   user_unseen_items = [item for item in trainset.all_items() if item not in user_items]
   user_predictions = [model.predict(user_id, item_id) for item_id in user_unseen_items]
   top_recommendations = sorted(user_predictions, key=lambda x: x.est, reverse=True)[:num_recommendations]
   print("Top recommendations for user", user_id)
   for recommendation in top_recommendations:
      print("Jewelry ID:", recommendation.iid, "Estimated Rating:", recommendation.est)