👉Ребята всем привет, записали интервью сегодня с DevOps инженером 🔝Кириллом Кулаковым🔝.

😆Поговорили за жизнь в DevOps, за технологии, за работу в индустрии, послушали куда движется сектор и что изменилось после СВО, как развиваться и куда расти. Какие тренды сейчас есть и как отдел DevOps соприкасается с другими отделами.

🪙Видео обязательно выложим на канале после монтажа и сведения, и конечно же сделаем анонс.

🔠Все! Выходные, всем хорошего отдыха!

🔓🔓🔓 Ребят всем привет, мы провели небольшое исследование, проект по Telegramm и YouTube с короткими заметками о собесах по ML и ИБ, дал положительный отклик среди самой широкой публики и различных IT специалистов, которые уже активно работают и тех, кто только вступает на данный путь.

🤝🤝🤝Обязательно будем продолжать и пополнять портфель, чтобы Вы более уверенно чувствовали себя на собеседованиях и в работе. Всем спасибо, кто поддержал проект и продолжает нас поддерживать, это очень важно для нас.

🔠Ребята у нас уникальная новость, запомните этот день!
«Мозг в банке» едет на конференцию в Сан-Франциско

0️⃣"Чип-франкенштейн" от DishBrain (https://corticallabs.com), созданный из микросхемы, клеток мозга мыши и человека, поместили в первый прототип компьютера и уже сегодня продемонстрируют его возможности на конференции по мозгу в Сан-Франциско. Ранее эта вещица самостоятельно научилась играть в пинг-понг на компьютере всего за 5 минут. Что в 18 раз быстрее, чем с этим справился ИИ.

👉👉👉Ребята всем привет!!!

🪙🪙🪙Добрался я наконец и до хабра, пора постить там: https://habr.com/ru/users/CrXf_17 - теперь можно отслеживать публикации там.

🤝🤝🤝Всем приятного чтения, и как всегда приветствуются комментарии, вопросы лайки и шеры.

❓200 Вопросов по Машинному обучению (Machine Learning) - Вопрос_141

🔠 Какие еще методы нормализации данных существуют помимо Min-Max и Z-нормализации? (Часть_1)

🧪Ответ:

1/ Робастная нормализация (Robust normalization): Этот метод основан на медиане и интерквартильном расстоянии (IQR) и предназначен для работы с выбросами в данных. Он нормализует данные, учитывая их статистическое распределение, и делает их более устойчивыми к выбросам.

2/ Логарифмическая нормализация (Logarithmic normalization): Этот метод применяется к данным, которые имеют сильно смещенное распределение или широкий диапазон значений. Он применяет логарифмическую функцию к данным, чтобы сгладить их распределение и уменьшить различия в масштабе.

🎉Всем приятного чтения, и как всегда приветствуются комментарии, вопросы лайки и шеры, если их будет много, посты будут чаще и больше!!!

🤕🤕🤕https://boosty.to/denoise_lab/donate - фишки кода, полезные фичи или просто если вы хотите поддержать наш канал.

❓200 Вопросов по Машинному обучению (Machine Learning) - Вопрос_141

🔠 Какие еще методы нормализации данных существуют помимо Min-Max и Z-нормализации? (Часть_2)

🧪Ответ:

3/ Масштабирование на основе распределения (Distribution-based scaling): Этот метод основан на статистических свойствах распределения данных, таких как среднее и стандартное отклонение. Он масштабирует данные таким образом, чтобы они имели определенное распределение, например, нормальное распределение или равномерное распределение.

4/ Масштабирование на основе рангов (Rank-based scaling): Этот метод основан на ранжировании значений данных. Он преобразует данные в их ранговые значения, чтобы сохранить порядок значений, не обращая внимания на их конкретные числовые значения. Это полезно, когда данные содержат выбросы или несимметричные распределения.

#scaling #scaling #statistical properties #mean #standarddeviation #datadistribution #normaldistribution

🤕🤕🤕https://boosty.to/denoise_lab/donate - фишки кода, полезные фичи или просто если вы хотите поддержать наш канал.

⚠️100 Инструментов для Penetration Testing - Tools №1

Кодирование изображения: Вы можете использовать этот инструмент для встраивания секретной информации в изображение. Это происходит путем изменения наименее значимых битов пикселей в изображении, чтобы сохранить внешний вид изображения практически неизменным.

Декодирование изображения: Этот инструмент позволяет извлекать скрытую информацию из изображений, созданных с использованием стеганографии. Он восстанавливает скрытые данные из наименее значимых битов пикселей.

Сравнение двух изображений: Этот инструмент позволяет сравнивать два изображения и выявлять различия между ними. Если изображения содержат скрытую информацию, то они могут отличаться на уровне наименее значимых битов.

👉Ссылка: https://futureboy.us/stegano/

🔥🔥🔥Отказ от ответственности: см. в постах выше.

#image_encoding #image_steganography #least_significant_bit (LSB) #image_manipulation #image_decoding #hidden_information_extraction #image_comparison

🤕🤕🤕https://boosty.to/denoise_lab/donate - фишки кода, полезные фичи или просто если вы хотите поддержать наш канал.

⚠️100 Инструментов для Penetration Testing - Tools №2

GTFOBins - это кураторский список Unix-бинарных файлов, которые могут использоваться для обхода локальных ограничений безопасности в неправильно настроенных системах. Проект собирает легитимные функции Unix-бинарных файлов, которые могут быть злоупотреблены для обхода ограничений, повышения или поддержания привилегий, передачи файлов, создания bind и reverse shell'ов и выполнения других задач после эксплуатации. Вместо этого GTFOBins является сборником информации о том, как использовать имеющиеся бинарные файлы. GTFOBins - это совместный проект, созданный Эмилио Пинной и Андреа Кардачи, где каждый может внести свой вклад, добавив дополнительные бинарные файлы и методики.

👉Ссылка: https://gtfobins.github.io

🔥🔥🔥Отказ от ответственности: см. в постах выше.

#image_encoding #image_steganography #least_significant_bit (LSB) #image_manipulation #image_decoding #hidden_information_extraction #image_comparison

🤕🤕🤕https://boosty.to/denoise_lab/donate - фишки кода, полезные фичи или просто если вы хотите поддержать наш канал.

❓200 Вопросов по Машинному обучению (Machine Learning) - Вопрос_143

🔠Какой метод нормализации подходит для данных с нелинейной зависимостью? (Часть_1)

🧪Ответ:

Для данных с нелинейной зависимостью подходит полиномиальное масштабирование (Polynomial scaling). Этот метод позволяет захватить нелинейные взаимосвязи между переменными и улучшить моделирование.

При использовании полиномиального масштабирования данные преобразуются с помощью полиномиальных функций. Обычно используются функции, такие как полиномы Лежандра, полиномы Чебышева или полиномы Лагерра. Эти функции позволяют учитывать нелинейные зависимости и взаимодействия между переменными.

#scaling #scaling #statistical #mean #standarddeviation #datadistribution #normaldistribution

🤕🤕🤕https://boosty.to/denoise_lab/donate - фишки кода, полезные фичи или просто если вы хотите поддержать наш канал.

❓200 Вопросов по Машинному обучению (Machine Learning) - Вопрос_143

🔠Какой метод нормализации подходит для данных с нелинейной зависимостью? (Часть_2)

Полиномиальное масштабирование может быть полезным, когда в данных присутствуют квадратичные, кубические или более высокие нелинейные зависимости. Применение полиномиального масштабирования позволяет моделировать и учитывать такие зависимости, что может привести к более точным и предсказательным моделям.

Однако при использовании полиномиального масштабирования необходимо быть осторожным, так как он может привести к увеличению размерности данных и возникновению проблемы проклятия размерности (curse of dimensionality). Если размерность данных слишком высока, это может привести к увеличению сложности модели и переобучению.

#scaling #scaling #statistical #mean #standarddeviation #datadistribution #normaldistribution

🤕🤕🤕https://boosty.to/denoise_lab/donate - фишки кода, полезные фичи или просто если вы хотите поддержать наш канал.

🔓🔓🔓Ребята всем привет! Вот такая прикольная картинка, по всем библиотекам и модулям. Сохраняем себе постим и активно пользуем.

🌡🌡🌡Чем более шеров и лаков тем больше буду закидывать такого полезного контента !!!