❓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.

⚠️100 Инструментов для Penetration Testing - Tools №8 (ClickHouse) (Часть_1)

ClickHouse - это система управления базами данных с открытым исходным кодом, ориентированная на аналитическую обработку больших объемов данных в режиме реального времени.

Высокая производительность: ClickHouse разработан для обработки миллиардов строк данных и обеспечивает высокую скорость выполнения запросов. Он может эффективно обрабатывать как агрегированные запросы, так и сложные аналитические запросы с большим количеством фильтров, сортировок и объединений данных.

👉Ссылка: https://github.com/ClickHouse/ClickHouse

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

#ClickHouse #analytics #high performance #big data processing #scalability #data aggregation #data types #structured data #semi-structured_data

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

⚠️100 Инструментов для Penetration Testing - Tools №8 (ClickHouse) (Часть_2)

Многообразие функций агрегации: ClickHouse предоставляет широкий набор встроенных функций агрегации, таких как сумма, среднее, минимум, максимум, количество и т. д. Он также поддерживает пользовательские агрегатные функции, позволяющие создавать собственные функции агрегации для специфических потребностей.

Поддержка структурированных и полуструктурированных данных: ClickHouse может работать с различными типами данных, включая числа, строки, даты и массивы. Он также поддерживает работу с JSON-данными, что позволяет анализировать и обрабатывать полуструктурированные данные.

👉Ссылка: https://github.com/ClickHouse/ClickHouse

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

#ClickHouse #analytics #high performance #big data processing #scalability #data aggregation #data types #structured data #semi-structured_data

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

https://www.fb.org/focus-on-agriculture/artificial-intelligence-a-sustainable-approach-to-todays-farming - интересная статья про использование ИИ в животноводстве, среди множества решений, которые уже задействованы, значатся следующие:
- раняя диагностика респираторных заболеваний у молочных телят;
- технология опрыскивания позволяет машине определять сорняки и направлять гербицид только на них;
- контроль веса и наличие заболеваний у коров;

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

А вот это интересно )) началась гонка за качество ИИ моделей и крупные корпорации отказываются открывать свои наработки для ChatGPT: https://habr.com/ru/news/773120/
- Microsoft временно заблокировала доступ к ChatGPT на корпоративных устройствах из-за проблем с безопасностью данных;
- В октябре Космическое командование США запретило использование нейросетей, включая ChatGPT, из-за опасений утечки секретной информации.
- Adobe закрыла доступ к чат-ботам на базе ИИ для безопасности сотрудников.
- Google разослала предупреждение о необходимости использования чат-ботов с осторожностью, включая Bard.
- Apple запретила использование ChatGPT, других чат-ботов и генеративных платформ ИИ из-за необходимости соблюдения безопасности.
- Samsung сначала ограничила, а затем полностью запретила использование ChatGPT, Google Bard и Bing на рабочих устройствах.

🤕🤕🤕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_147

❓❓❓Что такое SASRec ?

SASRec (Self-Attentive Sequential Recommendation) — это модель рекомендаций, основанная на механизме самоорганизующегося внимания (self-attention). Она предназначена для решения задачи персонализированной рекомендации, где необходимо предсказать предпочтения пользователя на основе его истории взаимодействий.

SASRec отличается от других моделей рекомендаций тем, что учитывает последовательность взаимодействий пользователя с предметами, а не только их совокупное представление. Она использует механизм самоорганизующегося внимания для моделирования зависимостей между различными элементами последовательности.

#SASRec #SequentialRecommendation #SelfAttention #PersonalizedRecommendation #RecommenderSystem #MachineLearning #DeepLearning #ContextualSignals #SequenceModeling

💊💊💊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.

👋👋👋200 Вопросов по Машинному обучению (Machine Learning) - Вопрос_148

❓❓❓ Какие еще методы машинного обучения используются в рекомендательных системах, помимо глубокого обучения? (Часть_1)

Методы коллаборативной фильтрации: Эти методы основываются на анализе взаимодействий между пользователями и предметами. Они могут быть основаны на покупках, оценках, просмотрах и других действиях пользователей. Примеры включают методы на основе сходства пользователей (User-Based Collaborative Filtering) и методы на основе сходства предметов (Item-Based Collaborative Filtering).

Методы контента-ориентированной фильтрации: Эти методы используют информацию о характеристиках или содержании предметов для создания рекомендаций. Например, для фильмов это может быть информация о жанре, актерах, режиссерах и т.д. Методы контент-ориентированной фильтрации позволяют рекомендовать предметы, которые подобны тем, которые пользователю уже понравились.

#SASRec #SequentialRecommendation #SelfAttention #PersonalizedRecommendation

💊💊💊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.

❓200 Вопросов по Машинному обучению (Machine Learning) - Вопрос_148

🔠 Какие еще методы машинного обучения используются в рекомендательных системах, помимо глубокого обучения? (Часть_2)

Факторизационные методы: Эти методы используют матричную факторизацию для представления пользователей и предметов в скрытом пространстве. Они моделируют взаимодействие между пользователями и предметами путем умножения факторизованных представлений. Примером таких методов является метод SVD (Singular Value Decomposition) и его вариации, такие как SVD++, NMF (Non-Negative Matrix Factorization) и другие.

Гибридные методы: Это комбинация различных подходов для получения лучшей точности рекомендаций. Гибридные методы могут объединять методы коллаборативной фильтрации, контент-ориентированной фильтрации и другие методы, используя различные комбинации и взвешивание между ними.

#SASRec #SequentialRecommendation #SelfAttention #PersonalizedRecommendation

🤕🤕🤕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_148

🔠 Какие еще методы машинного обучения используются в рекомендательных системах, помимо глубокого обучения? (Часть_3)

Контекстуальные методы: Эти методы учитывают контекстуальные сигналы, такие как время, местоположение, устройство и другие факторы, которые могут влиять на предпочтения пользователей. Контекстуальные методы могут использоваться для улучшения персонализации рекомендаций, учитывая текущий контекст пользователя.

#SASRec #SequentialRecommendation #SelfAttention #PersonalizedRecommendation

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