搜尋結果
2019年9月13日 · 首先簡單談一下關於密碼的猜測破解， 主要算是分成三種方法： 人工猜解：利用社交工程釣魚或是訊息的收集來猜解，譬如我今天要登入你的帳戶， 而我已經有了你的個人資料，就會嘗試以電話號碼、生日、身分證字號去排列組合猜。 字典暴力破解：這個算是主流的攻擊方式，就是有了一個字典檔， 裡面包含了一些可能常見的密碼組合，再利用字典檔去進行暴力破解。 純粹暴力破解：嘗試所有組合，前一篇也提過，首先這個是非常耗費時間， 而且如果是在線攻擊（昨天介紹的DirBuster跟今天的Hydra都是）， 就是每次猜測都會與Server連線的，不僅可能被偵測發現，也可能不小心變成DoS攻擊。 這樣的話字典檔是不是就很重要了？ 是的，沒錯。 之後也會提到關於一些字典檔跟字典產生工具。
- 時間序列的變量數目
- 時間序列所包含的屬性
- 時間序列資料的類型
- 本篇重點總結
時間序列資料可能會是單變量或多變量的，例如： 1. 單變量：每日氣溫變化 2. 多變量：每日股市開盤、收盤價 不同的變量個數，適合的分析/預測方法不同、模型架構也會隨之調整；如果有多個變量，我們就需要關注變量間是否存在相關性。
有系統性的變量 (Systemic variable)：因為擁有「一致性」或「循環」而可以被建模（能找出一個模式）非系統性變量 (Non-systemic variable)：因為更多是「隨機性」產生，無法被很好的模式化根據上述 4 種屬性，可以組合出不同類型的時間序列： 1. 相加型 (Additive)：屬性相加所形成的時間序列 1.1. Linear trend：線性增減 1.2. Linear seasonality：季節性循環和增幅/減幅固定 2. 相乘型 (Multiplicative)：屬性相乘所形成的時間序列，可能為二次、高次或指數方程式 2.1. Non-linear trend：非線性增減 2.2. Non-linear seasonality：季節性循環和增幅/減幅不固定
時間序列屬性可拆解為 4 種，分別是 level, trend, seasonality & noise依據不同的屬性組成，時間序列資料的類型可分為兩種，Additive & Multiplicative使用 decompose 方法將時間序列中屬性各自分解出來，能幫助我們更具體的描述不同時間序列之間的差異2017年12月15日 · 伊恩. 2017-12-15 23:53:45. 21775 瀏覽. 分享至. 前兩天，在 物件導向設計原則—SOLID 、 從被動變主動—依賴反轉 這兩篇文章中，我們聊完 SOLID，接下來幾天的主題，原本預計來談談 單元測試 ，在準備寫文章時，突然發現筆者忘記提到 低耦合 、 高內聚 這個很重要的觀念。 所以，今天我們來聊聊為什麼開發程式時，符合 低耦合 、 高內聚 的原則有什好處？ 耦合 (Coupling) 簡單來說，就是 兩個模組間的關連性或相依性 。 當兩模組間的相依性越高，那它們的耦合性越高，稱之為 高耦合 。 反之，則謂之為耦合。 在高耦合的情況下，很容易發生一種情況。 明明只是一個很小的需求異動，但是連帶影響到跟它有相依關係的部份。
2020年10月8日 · RSA加密演算法 是一種非對稱加密演算法，在公開金鑰加密和電子商業中被廣泛使用。 RSA是由羅納德·李維斯特（Ron Rivest）、阿迪·薩莫爾（Adi Shamir）和倫納德·阿德曼（Leonard Adleman）在1977年一起提出的。 當時他們三人都在麻省理工學院工作。 RSA 就是他們三人姓氏開頭字母拼在一起組成的。 圖片來源. RSA 基於數學難題所設計出來的演算法，對極大整數無法進行因數分解的難題，證實 RSA 演算法的可靠性。 觀念/名詞定義. 有些幾個觀念和名詞大家小時候就念過了 (?) 這邊複習一下. 質數 Prime number（素數） 大於1的自然数中，除了1和該数自身外，無法被其他自然数整除的数（也可定義為只有1與該數本身两个正因数的数）。
2023年9月24日 · CNN廣泛應用於計算機視覺領域，改變了圖像處理和分析的方式，下面再讓我們說明卷積層與池化層。 卷積層 (Convolutional Layers) 卷積層就像是一個過濾器，它在圖像上滑動，逐步檢測圖像的不同特徵，這些過濾器每次只處理圖像的一個小區域，並計算該區域的特徵。 通過這樣的操作，卷積層可以捕捉到圖像中的局部 特徵 ，並且具有 平移不變性 ，意味著它能夠識別相同特徵的不同位置。 圖片來源：https://saturncloud.io/blog/a-comprehensive-guide-to-convolutional-neural-networks-the-eli5-way/ 卷積核 (Filter)
2019年10月11日 · Measure 是設計用來計算的資料，通常會透過一些集成函數來匯總資料，依照維度階層的設計方法來查詢切割存取資料，得到資料分析所需要的資訊。 Cube 是一種由維度 (Dimensions) 和量值 (Measures) 組合而成的資料模型概念，或是稱之為多維度模型 (Multidimensional Model)，互相關聯的 dimensions 形成了 Cube 的最佳設計方法，通常設計的時候，我們會在資料庫 dimensions 設計開發完成之後，再來設計 Cube。 (SSAS) 開發設計 Cube 的步驟： 從資料倉儲準備資料分析所需要的資料來源. 建立一個“多維度資料挖掘”專案. 設計資料來源（表格和視窗） 開發設計維度. 開發設計 Cube.
2021年9月22日 · Word2vec 是用來生成 word embeddings 最常見的一類演算法，藉由類神經網絡作為架構來學習語料庫中單詞的意義關聯性。 根據分佈假說，經常共同出現在上下文的字詞意義上也會較為接近， Word2vec 會將它們的詞向量分成同一類的詞群組（ word clusters ）。 同一集群內的向量彼此靠近，隸屬不同集群的向量則彼此相距較遠。 根據訓練資料的設計，Word2vec可分為連續詞袋模型（continuous bag-of-words, CBoW）以及跳躍式模型（skip-gram model, SG）兩種設計架構。 Word2vec 將意義相近的單詞被分類在同一集群： 圖片來源： TowardsDataScience.
