⚠️100 Инструментов для Penetration Testing - Tools №4 (Часть_3)

Формирование отчетов: CHOMTE.SH может генерировать комплексные отчеты в различных форматах, включая XML, NMAP, CSV и HTML. Эти отчеты могут быть использованы для представления выводов и эффективной передачи результатов разведки.

Обнаружение содержимого: Сценарий позволяет выявить конфиденциальные файлы, открытые в веб-приложениях, что может помочь обнаружить потенциальные недостатки и уязвимости в системе безопасности.

Сканирование уязвимостей: CHOMTE.SH включает в себя функции, позволяющие обнаружить распространенные ошибки конфигурации и уязвимости как в инфраструктуре, так и в веб-приложениях, что помогает тестировщикам выявить потенциальные слабые места, которые могут быть использованы.

👉Ссылка: https://github.com/mr-rizwan-syed/chomtesh

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

#port_scanning #Naabu #vulnerability testing #open_ports #security_testing #HTTP_probing #HTTPX #CHOMTE.SH #technology_detection #configuration_assessment

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

👋👋👋Ребята, залетаем на новую конфу от Intel по генеративному ИИ, будет интересно !!!

⬆️⬆️⬆️https://plan.seek.intel.com/generative-ai-webinars?utm_source=owned&utm_medium=social&utm_campaign=genaiwebinar&utm_id=MKA-33977&cid=iosm&source=linkedin&campid=intel_software_developer_experiences_worldwide&content=100004790639647&icid=satg-dep-campaign&linkId=100000223569619

🪙🪙🪙Ребята, напоминаю у нас есть чат, можете туда заходить, и задавать вопросы по ML и ИБ. Рады всем, в не зависимости от вашей специализации и профиля. Ссылочку оставлю здесь же.
https://t.me/DenoseLABChat

❓200 Вопросов по Машинному обучению (Machine Learning) - Вопрос_145

🔠 Какие преимущества и недостатки у модели пробит и логит регрессии ? (Часть_1)

Преимущества модели пробит и логит регрессии:

Адекватность для бинарных данных: Модели пробит и логит регрессии являются стандартными моделями для анализа бинарных данных, где зависимая переменная может принимать только два значения. Они позволяют моделировать вероятность принятия значения 1, их параметры могут интерпретироваться как влияние независимых переменных на эту вероятность.

Интерпретируемость коэффициентов: Коэффициенты в моделях пробит и логит регрессии имеют интерпретацию относительного влияния независимых переменных на вероятность. Они показывают, как изменение значений независимых переменных влияет на изменение вероятности принятия значения 1.

#probitregression #logitregression #probabilitymodel #linearcombination #independentvariables #normal distribution #probitfunction #logisticfunction #maximumlikelihoodestimation #modelparameters

🤕🤕🤕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_145

🔠 Какие преимущества и недостатки у модели пробит и логит регрессии ? (Часть_2)

Преимущества модели пробит и логит регрессии:

Устойчивость к выбросам: Модели пробит и логит регрессии являются статистическими моделями, которые основаны на вероятностных распределениях. Они являются устойчивыми к выбросам в данных и не требуют, чтобы данные строго соответствовали предположениям линейной регрессии.

#probitregression #logitregression #probabilitymodel #linearcombination #independentvariables #normal distribution #probitfunction #logisticfunction #maximumlikelihoodestimation #modelparameters

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

🤝🤝🤝Ребята всем привет!!!

😵😵😵Список всехъ актуальных конференций на 2023-24 год по машинному обучению. Обязательно регаемся и внимательно следим за всеми обновлениями, конференции представлены по всем направлениям от Classic ML до DeepLearning/Transformners/LLama. Ссылочка, как всегда лежит в посте:

👉👉👉https://tryolabs.com/blog/machine-learning-deep-learning-conferences

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

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

⚠️100 Инструментов для Penetration Testing - Tools №4 (Часть_4)

Глубокая разведка: CHOMTE.SH использует Shodan и Certificate Transparency для проведения тщательной разведки в Интернете. Это позволяет тестировщикам собирать информацию с более широкой точки зрения и выявлять потенциальные риски и уязвимости.

Прозрачность команд: CHOMTE.SH обеспечивает полную видимость выполняемых команд, их местоположения и выходных данных файлов, что облегчает тестировщикам проверку и аудит действий, выполняемых в процессе разведки.

JavaScript Recon: скрипт специализируется на разведке JavaScript, помогая тестировщикам обнаружить закодированные учетные данные, секретные ключи и пароли в приложениях, использующих JavaScript.

👉Ссылка: https://github.com/mr-rizwan-syed/chomtesh

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

#port_scanning #Naabu #vulnerability testing #open_ports #security_testing #HTTP_probing #HTTPX #CHOMTE.SH #technology_detection #configuration_assessment

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

⚠️100 Инструментов для Penetration Testing - Tools №5

Проект ctOS-ISO, который является операционной системой на основе Arch Linux, предназначенной для тестирования на проникновение. Она предлагает набор инструментов и функций, специально настроенных для проведения пентестов и анализа безопасности.

Операционная система основана на дистрибутиве Arch Linux, что обеспечивает гибкость и расширяемость системы. Предустановленные инструменты: ctOS-ISO поставляется с предустановленными инструментами для проведения тестирования на проникновение, включая инструменты из BlackArch и Chaotic AUR Repo.

👉Ссылка: https://github.com/whatev33r/ctOS-ISO

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

#ctOS-ISO #penetration testing #security analysis #Arch Linux #operating system #flexibility #expandability #pre-installed tools #BlackArch #Chaotic AUR Repo #cybersecurity #pentesting tools

🤕🤕🤕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_145

🔠 Какие преимущества и недостатки у модели пробит и логит регрессии ? (Часть_3)

Линейная предположительность: Модели пробит и логит регрессии предполагают линейную зависимость между независимыми переменными и логарифмом шансов (в случае логит регрессии) или функцией пробита (в случае пробит регрессии). Если зависимость является нелинейной, модели могут быть ограничены в своей способности точно описывать данные.

Независимость наблюдений: Модели пробит и логит регрессии предполагают независимость наблюдений. Если данные имеют структуру зависимости или корреляции между наблюдениями (например, при анализе повторных измерений), модели пробит и логит регрессии могут давать несостоятельные оценки.

#probitregression #logitregression #probabilitymodel #linearcombination #independentvariables #normal distribution #probitfunction #logisticfunction #maximumlikelihoodestimation #modelparameters

🤕🤕🤕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_145

🔠 Какие преимущества и недостатки у модели пробит и логит регрессии ? (Часть_4)

Проблема интерпретации результатов: В моделях пробит и логит регрессии коэффициенты имеют интерпретацию в терминах относительного влияния. Однако интерпретация этих коэффициентов может быть сложной, особенно если независимые переменные взаимосвязаны или имеют высокую мультиколлинеарность.

Вычислительная сложность: Оценивание модели пробит и логит регрессии может быть вычислительно сложным, особенно при наличии большого объема данных или большого числа независимых переменных.

#probitregression #logitregression #probabilitymodel #linearcombination #independentvariables #normal distribution #probitfunction #logisticfunction #maximumlikelihoodestimation #modelparameters

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

⛔️⛔️⛔️https://www.universityaffairs.ca/news/news-article/artificial-intelligence-at-universities-a-pressing-issue/ - проблемы образования в Канаде, нарастают как снежный ком. Уже более 22% студентов активно используют ChatGPT, при том что вузы оказались совершенно не готовы к такому положению вещей. Пытаться сейчас повернуть ситуацию вспять не представляется возможным, от слова совсем, слишком большие возможности по экономии времени и возможностям открылись перед подрастающим поколением.

😂😂😂Более того, OpenAI, все больше "сползает" с темы обнаружения генеративного контента, и больше сосредотачивается на моменте именно генерации контента.

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

⚠️100 Инструментов для Penetration Testing - Tools №5 (Часть_2)

Сборка ISO: Репозиторий содержит инструкции о том, как собрать ISO-образ операционной системы. Для сборки требуется система на базе Arch Linux с предустановленными BlackArch и Chaotic AUR Repo.

Настройки Cowspace: Операционная система позволяет настроить доступное пространство для Cowspace (используется для запуска системы в режиме Live).

Лицензия: Проект ctOS-ISO распространяется под лицензией GPL-3.0, что означает, что исходный код открыт и доступен для свободного использования и модификации.

👉Ссылка: https://github.com/whatev33r/ctOS-ISO

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

#ctOS-ISO #penetration testing #security analysis #Arch Linux #operating system #flexibility #expandability #pre-installed tools #BlackArch #Chaotic AUR Repo #cybersecurity #pentesting tools

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

⚠️100 Инструментов для Penetration Testing - Tools №6 (cSploit)

cSploit - это продвинутый набор инструментов для профессионалов в области информационной безопасности, предназначенный для использования на устройствах Android. Он включает в себя интегрированный демон Metasploit и возможности MITM (Man-in-the-Middle).

Сканирование сети: cSploit позволяет сканировать локальные сети и обнаруживать уязвимости в сетевых устройствах. Это может включать поиск открытых портов, слабых паролей, незащищенных беспроводных сетей и других уязвимостей.

Эксплуатация уязвимостей: cSploit предоставляет возможность использовать найденные уязвимости для проведения атак на целевые устройства. Это может включать выполнение удаленных кодов, взлом паролей, перехват трафика и другие атаки.

👉Ссылка: https://github.com/cSploit/android

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

#cSploit #information_security #Android_devices #Metasploit #MITM #network_scanning #vulnerability_detection

🤕🤕🤕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_146

🔠 Что такое Лассо-регресси Тибширани ? (Часть_1)

Лассо-регрессия Тибширани (Tibshirani's Lasso regression) - это метод регуляризации, разработанный Робертом Тибширани (Robert Tibshirani), который используется для выбора и оценки модели с учетом штрафа на сумму абсолютных значений коэффициентов регрессии. Он является вариантом L1-регуляризации, где L1-норма (сумма абсолютных значений) коэффициентов добавляется в функцию потерь для контроля сложности модели и сокращения размерности признакового пространства.

#lasso #regression #Tibshirani #regularization #model_selection #model_estimation #penalization #absolute values #regression_coefficients #L1_regularization #loss_function #model_complexity #feature_space

🤕🤕🤕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_146

🔠 Что такое Лассо-регресси Тибширани ? (Часть_2)

Основная идея лассо-регрессии Тибширани заключается в том, что она стимулирует некоторые коэффициенты модели к точному нулю, что может привести к разреженным моделям, где только некоторые признаки являются значимыми, а остальные игнорируются. Это позволяет снизить размерность данных и улучшить интерпретируемость модели.

#lasso #regression #Tibshirani #regularization #model_selection #model_estimation #penalization #absolute values #regression_coefficients #L1_regularization #loss_function #model_complexity #feature_space

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

⚠️100 Инструментов для Penetration Testing - Tools №6 (cSploit)

MITM-атаки: С помощью cSploit можно проводить атаки типа "Man-in-the-Middle" (MITM), которые позволяют перехватывать и изменять сетевой трафик между двумя узлами. Это может быть полезно для анализа безопасности, перехвата паролей, изменения данных и других целей.

Анализ уязвимостей: cSploit предоставляет возможность анализировать уязвимости в сетевых устройствах и приложениях, а также предлагает инструменты для тестирования на проникновение и оценки безопасности.

👉Ссылка: https://github.com/cSploit/android

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

#cSploit #information_security #Android_devices #Metasploit #MITM #network_scanning #vulnerability_detection

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

⚠️100 Инструментов для Penetration Testing - Tools №7 (Plausible Analytics)

Plausible Analytics - это простой, открытый и легкий веб-аналитический инструмент, который представляет собой альтернативу Google Analytics. Он имеет размер менее 1 КБ и обеспечивает высокую конфиденциальность данных пользователей.

Отсутствие беспорядка: предоставляет простую веб-аналитику и отсекает шум. Никаких многоуровневых меню, никакой необходимости в создании пользовательских отчетов. Получите все важные данные на одной странице. Нет необходимости в обучении.

Соответствие требованиям GDPR/CCPA/PECR: Измеряйте трафик, а не отдельных людей. В нашей базе данных никогда не хранятся персональные данные или IP-адреса. Мы не используем файлы cookie и другие постоянные идентификаторы.

👉Ссылка: https://github.com/plausible/analytics

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

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

😂😂😂Красивая картиночка мне прям сразу зашло, коротко о работе Data Analyst/Data Scientist. Только в реальном продакшене не все так красиво, плавно и весело, а больше напоминает пробивание головой стены, причем не одной и даже без перерыва на обед ))

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

❓200 Вопросов по Машинному обучению (Machine Learning) - Вопрос_146

🔠 Что такое Лассо-регресси Тибширани ? (Часть_3)

Выбор признаков: может использоваться для автоматического выбора наиболее важных признаков, исключая незначимые признаки из модели. Это особенно полезно при работе с большим количеством признаков или признаков с высокой корреляцией.

Сокращение размерности: позволяет сократить размерность данных, оставляя только наиболее информативные признаки. Это может улучшить производительность модели, снизить переобучение и упростить интерпретацию результатов.

Регуляризация: Добавление штрафа на сумму абсолютных значений коэффициентов помогает контролировать сложность модели и предотвращает переобучение, особенно при наличии мультиколлинеарности между признаками.

#lasso #regression #Tibshirani #regularization #model_selection #model_estimation #penalization #absolute values #regression_coefficients #L1_regularization #loss_function #model_complexity #feature_space

🤕🤕🤕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_146

🔠 Что такое Лассо-регресси Тибширани ? (Часть_4)

Выбор гиперпараметра: требует выбора гиперпараметра - коэффициента регуляризации, который определяет силу штрафа на коэффициенты. Выбор правильного значения гиперпараметра может быть нетривиальной задачей и требует кросс-валидации или других методов выбора.

Отбор признаков: может быть слишком суровой в отборе признаков и исключать некоторые полезные переменные, особенно если есть корреляция между признаками.

Неустойчивость к корреляции: При наличии сильной корреляции между признаками лассо-регрессия Тибширани может быть неустойчива и выбрать только один из коррелирующих признаков, в то время как другие признаки считаются незначимыми.

#lasso #regression #Tibshirani #regularization #model_selection #model_estimation #penalization #absolute values #regression_coefficients #L1_regularization #loss_function #model_complexity #feature_space

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