Lime

微软宣布了一项新的免费使用计划，旨在发现破坏Linux系统的法医证据，其中包括Rootkit和侵入性恶意软件，否则它们可能不会被发现。 被称为Project Freta的云产品是基于快照的内存取证机制，旨在提供对虚拟机（VM）快照的自动全系统易失性内存检查，并具有发现恶意软件，内核rootkit和其他隐蔽恶意软件技术的功能。如进程隐藏。 该项目以华沙的弗雷塔街命名，弗里塔街是法国著名物理学家玛丽·居里（Marie Curie）的出生地，他带来了X射线医学成像 在第一次世界大战期间进入战场。 微软新安全风险投资公司的高级主管迈克·沃克说：“现代恶意软件是复杂的，并且以不可发现性为核心原则进行设计。” “ Freta项目打算将VM取证自动化并使其民主化，以至每个用户和每个企业都可以通过按一下按钮来扫描易失性内存以查找未知恶意软件，而无需进行设置。” 目的是从内存中推断出恶意软件的存在，同时在与威胁参与者的斗争中占上风，这些威胁参与者出于别有用心而在目标系统上部署和重用隐形恶意软件，更重要的是，使其逃避不可行并增加了开发无法发现的云恶意软件的成本。 为此，“受信任的感知系统”通过处理四个不同方面来工作，这些方面首先可以通过阻止任何程序使系统免受此类攻击： 在安装安全传感器之前先检测安全传感器的存在驻留在传感器看不见的区域，检测传感器的操作，并相应地擦除或修改传感器以逃避检测

在之前某一个前端技术群里，有一个群友说他面试的时候遇到了一个问题，就是面试官让他用纯 CSS 来实现一个根据鼠标移动位置觉得物体移动方向的 DEMO。 给出的初始结构如下： <style> body { padding: 2em; text-align: center; } .block { position: relative; display: inline-block; width: 10em; height: 10em; vertical-align: middle; } .block_content { position: absolute; top: 0; left: 0; width: 100%; height: 100%; text-align: center; line-height: 10em; background: #333; color: #FFF; } </style> <p class="text">从不同方向使鼠标指针移过下面的内容</p> <p>↓</p> <span>→ </span> <div class="block"> <div class="block_content"> Hover me! </div> </div> <span> ←</span> <p>↑</p> 实现 净会问这种不实用又跟业务没啥关系的问题，气抖冷

在这篇笔记中分享前段时间我对于LIME算法的调研。 一、算法简介 LIME算法是Marco Tulio Ribeiro2016年发表的论文《“Why Should I Trust You?” Explaining the Predictions of Any Classifier》中介绍的局部可解释性模型算法。该算法主要是用在文本类与图像类的模型中。 1.算法主要用途 在算法建模过程中，我们一般会用测试集的准确率与召回率衡量一个模型的好坏。但在和客户的实际沟通时，单单抛出一个数字就想要客户信任我们，那肯定是不够的，这就要求我们摆出规则，解释模型。但不是所有的模型都是规则模型，一些黑盒模型（比如神经网络）有着更高的准确率，但是无法给出具体的规则，无法让普通人理解和信任模型的预测结果，这种时候，就可以利用本文要介绍的LIME算法，全称Local Interpretable Model-agnostic Explanations，可以理解为模型的解释器。 可以从两个方面说明我们为什么需要模型解释器，一方面是用户需要信任预测结果，另一方面是建模者需要信任模型。 2、用户需要信任预测结果 在很多行业，比如医生、法律行业，都需要就模型的预测结果给出充分的理由，否则就无法取得用户的信任。举一个论文中提到的例子，一个医学模型判断病人患病，通过LIME算法同时给出病人的病史症状包括喷嚏、头痛等特征

前言 cesium 官网的api文档介绍地址 cesium官网api ，里面详细的介绍 cesium 各个类的介绍，还有就是在线例子： cesium 官网在线例子 ，这个也是学习 cesium 的好素材。 cesium官网在线例子 https://sandcastle.cesium.com/?src=3D+Tiles+Feature+Picking.html 大概思路如下： 加载3dtiles模型 var tileset = new Cesium.Cesium3DTileset({ url: Cesium.IonResource.fromAssetId( 75343 ), }); viewer.scene.primitives.add(tileset); 创建html元素，鼠标移动以及点击模型高亮作用 // HTML overlay for showing feature name on mouseover var nameOverlay = document.createElement("div" ); viewer.container.appendChild(nameOverlay); nameOverlay.className = "backdrop" ; nameOverlay.style.display = "none" ; nameOverlay.style

前言 cesium 官网的api文档介绍地址 cesium官网api ，里面详细的介绍 cesium 各个类的介绍，还有就是在线例子： cesium 官网在线例子 ，这个也是学习 cesium 的好素材。 cesium官网在线例子 https://sandcastle.cesium.com/?src=3D+Tiles+Feature+Picking.html 大概思路如下： 加载3dtiles模型 var tileset = new Cesium.Cesium3DTileset({ url: Cesium.IonResource.fromAssetId( 75343 ), }); viewer.scene.primitives.add(tileset); 创建html元素，鼠标移动以及点击模型高亮作用 // HTML overlay for showing feature name on mouseover var nameOverlay = document.createElement("div" ); viewer.container.appendChild(nameOverlay); nameOverlay.className = "backdrop" ; nameOverlay.style.display = "none" ; nameOverlay.style

西雅图IT圈：seattleit 【今日作者】Dexter 读书巨慢理事会会长 本周 对于一众科技公司来说是相当特殊的一周： 在新冠病毒席卷美国和全球之后，本周迎来了又一个裁员的小高潮，而最大的几家巨头们也交出了疫情之下的第一个季度财报。 同样处于科技行业，同样面临疫情大考，科技公司们出现了罕见的冰火两重天。 中小型企业还在继续裁裁裁 由于疫情给美国经济和市场所带来的前所未有的打击，不少在疫情发生前还风头无两的创业公司们已经不得不靠裁员来度过困难。而随着疫情的持续，裁员潮也在渐渐向更大规模的公司侵蚀。 本周可算是新冠疫情在美国爆发后的第二个裁员高峰，光看看本周爆出裁员消息的公司都有哪些，就足以让人触目惊心了—— Uber 宣布公司的元老级CTO宣布离职，并将裁员20% 作为Uber最大的竞争对手 Lyft 也没能幸免，宣布裁员17% 同样处于共享出行领域 Lime ，将裁员13% WeWork 也开始“内部优化”，至少有300人将被裁 旅行点评网站 TripAdvisor 裁员900人，占总员工25% P2P借贷平台 Lending Club 裁员30% 曾经神秘而高逼格的AR创业公司 Magic Leap 裁掉了一半的员工 以上仅仅是本周爆出的裁员信息 ，而且有不少都是名头比较响的“行业巨头”企业了，至于湾区和其他地方更多的创业公司裁员更加严重

it's a modified version of my previous question : I'm trying to run LIME on my quanteda text model that feeds off Trump & Clinton tweets data . I run it following an example given by Thomas Pedersen in his Understanding LIME and useuful SO answer provided by @Weihuang Wong : library(dplyr) library(stringr) library(quanteda) library(lime) #data prep tweet_csv <- read_csv("tweets.csv") # creating corpus and dfm for train and test sets get_matrix <- function(df){ corpus <- quanteda::corpus(df) dfm <- quanteda::dfm(corpus, remove_url = TRUE, remove_punct = TRUE, remove = stopwords("english")) }