|
|
|
|
React streichen, Frontend hinschreiben.
|
|
|
|
|
|
|
Die fünf Grundsätze der Frontend-Entwicklung: Ich weiß nicht was das ist, woher es kam, wem es gehört, was es tut und wohin es geht.
|
|
|
|
|
|
|
Ich habe demnächst wohl 1-2 Wochen Zeit von der Arbeit, um mich in neue Themen einzuarbeiten, die im Groben mit Machine Learning zu tun haben (mehr Vorgabe habe ich nicht). Habt ihr da irgendwas auf der Platte? Ganz geile Algorithmen, die man noch nicht so kennt, zum Beispiel? Irgendwelche Technologien? Was ist denn gerade der heiße Shit für euch. Gerne hart Mathe, gerne forschungsnah!
Ich dachte ja an graphenbasierte Modelle eher grundlegend und/oder Teile des Bayesian Machine Learning, bzw. allgemein mehr Richtung Bayes zu gehen.
Über Hinweise oder Anstöße zu neuen Richtungen wäre ich sehr dankbar. Habe richtig Bock.
|
[Dieser Beitrag wurde 2 mal editiert; zum letzten Mal von homer is alive am 10.07.2018 18:47]
|
|
|
|
|
|
Yeah, Bayesianisches ML für den Gewinn!
Wenn du Lesestoff willst kann ich Machine Learning: A Probabilistic Perspective von Murphy nur wärmstens empfehlen. (Die alternative dazu, Pattern Recognition and Machine Learning von Bishop, finde ich persönlich einen tick schlechter, aber das ist sicherlich Geschmacksache). Dazu empfehlen kann ich Data Analysis: A Bayesian Tutorial von Sivia und Skilling und Probability Theory: The Logic of Science von Bretthorst. Letzteres ist für die Interpretation sehr spannend, aber nicht so praxisnah.
Wenn du gerne hands-on bayesianisches ML machen möchtest kann ich empfehlen mit irgendeiner probabilistischen Programmiersprache bisschen zu spielen (in Pythonland bietet sich da PyMC3 oder Edward and, letzteres ist sicherlich auch ein netter Einstieg in Tensorflow). Wenn's "ernsthafter" werden soll kannst du dich mit bayesianischen Neuronetzen beschäftigen (geht glaube ich mittlerweile sogar mit Keras?) oder mit der Krone der ML-Schöpfung: Gaußprozessen (GPy, GPflow)!
Ein letzter Tipp noch: Ich bin kürzlich über Variational Inference: A Review for Statisticians gestolpert, ein tolles Paper. Ist die beste kompakte und korrekte Einführung in variationale Inferenz die ich kenne - und variatonale Inferenz ist eines der wichtigsten Werkzeuge im bayesianischen ML.
|
|
|
|
|
|
|
Weiß jemand zufällig unter welchen Umständen Windows (7) die automatische Systemstartreparatur startet?
Ausgenommen den offiziellen Weg über eine Boot CD/USB.
Hintergrund: Habe bei einem Pentest (zufällig) einen Weg gefunden darüber Notepad als SYSTEM zu öffnen inkl. FS access
nur tu ich mir schwer das Programm willentlich zu triggern.
|
|
|
|
|
|
|
|
|
|
|
Alles was Admin Rechte vorraussetzt fällt raus weil die Vulnerability dann keinen Sinn mehr macht..
Denke es hat in meinem Fall damit zu tun das die Box als Boot Option nen PXE Server mit vielen Images hatte und ich von dort ein Win7 gebootet habe.
Dieses ist dann irgendwie nicht korrekt gestartet.
Beim nächsten Reboot war das Startup Repair Tool zur Stelle.
Ohne Gewähr aber könnte so hinkommen
|
[Dieser Beitrag wurde 1 mal editiert; zum letzten Mal von b4ckspin am 10.07.2018 21:51]
|
|
|
|
|
|
| Zitat von B0rG*
Yeah, Bayesianisches ML für den Gewinn!
Wenn du Lesestoff willst kann ich Machine Learning: A Probabilistic Perspective von Murphy nur wärmstens empfehlen. (Die alternative dazu, Pattern Recognition and Machine Learning von Bishop, finde ich persönlich einen tick schlechter, aber das ist sicherlich Geschmacksache). Dazu empfehlen kann ich Data Analysis: A Bayesian Tutorial von Sivia und Skilling und Probability Theory: The Logic of Science von Bretthorst. Letzteres ist für die Interpretation sehr spannend, aber nicht so praxisnah.
Wenn du gerne hands-on bayesianisches ML machen möchtest kann ich empfehlen mit irgendeiner probabilistischen Programmiersprache bisschen zu spielen (in Pythonland bietet sich da PyMC3 oder Edward and, letzteres ist sicherlich auch ein netter Einstieg in Tensorflow). Wenn's "ernsthafter" werden soll kannst du dich mit bayesianischen Neuronetzen beschäftigen (geht glaube ich mittlerweile sogar mit Keras?) oder mit der Krone der ML-Schöpfung: Gaußprozessen (GPy, GPflow)!
Ein letzter Tipp noch: Ich bin kürzlich über Variational Inference: A Review for Statisticians gestolpert, ein tolles Paper. Ist die beste kompakte und korrekte Einführung in variationale Inferenz die ich kenne - und variatonale Inferenz ist eines der wichtigsten Werkzeuge im bayesianischen ML.
| |
Cool, da sind ein paar neue Sachen dabei. Den Bishop hatte ich mal angefangen, der erschien mir aber eher so, als würde er auf Intuition setzen. Für den Anfang ja aber ganz gut. Wieso empfiehlst du an der Stelle aber bspw nicht den Gelman mit seinem BDA-Standardwerk bspw.?
Bis auf pymc3 sagen mir die Module nichts, ich denke aber, dass da einiges dabei ist, was ich mir gerne ansehen möchte. Klingt auf jeden Fall cool. Gerade bayesianische NNs könnten für unsere Zwecke interessant sein. Da hat, soweit ich weiß, Nando de Freitas auch viel Pionierarbeit geleistet, oder?
|
|
|
|
|
|
|
| Zitat von homer is alive
Über Hinweise oder Anstöße zu neuen Richtungen wäre ich sehr dankbar. Habe richtig Bock.
| |
"Probabilistic Graphical Models" von Koller/Friedman kann ich als Standardlektüre empfehlen. Spannende Entwicklung gibt es an den Schnittstellen deep learning und probabilistische Modelierung -> deep exponential models. David Blei und Leute um ihn herum machen da interessante Sachen.
|
|
|
|
|
|
|
| Zitat von homer is alive
Cool, da sind ein paar neue Sachen dabei. Den Bishop hatte ich mal angefangen, der erschien mir aber eher so, als würde er auf Intuition setzen. Für den Anfang ja aber ganz gut. Wieso empfiehlst du an der Stelle aber bspw nicht den Gelman mit seinem BDA-Standardwerk bspw.?
Bis auf pymc3 sagen mir die Module nichts, ich denke aber, dass da einiges dabei ist, was ich mir gerne ansehen möchte. Klingt auf jeden Fall cool. Gerade bayesianische NNs könnten für unsere Zwecke interessant sein. Da hat, soweit ich weiß, Nando de Freitas auch viel Pionierarbeit geleistet, oder?
| |
In Bayesian Data Analytics habe ich selbst noch nicht reingeschaut, ein Kollege meinte dazu mal das Buch sei gut, aber eher als Nachschlagewerk als als Einführung ins Thema. Ist aber wie du sagst ja recht bekannt. Am Bishop stört mich auch, dass es nicht so fundiert ist - deswegen gefällt mir der Murphy auch besser. The Elements of Statistical Learning von Hastie ist auch eine ganz schöne Einführung (wobei ich das Buch erst angeschaut habe, als ich das Gebiet schon kannte).
Ich habe nicht so viel Ahnung von bayesianischem Neuro (und sehe es auch recht kritisch - was dich nicht aufhalten sollte ). Namen die mir in dem Kontext einfallen würden wären, wie du sagst, de Freitas, MacKay, Neal und in jüngerer Vergangenheit Yarin Gal.
|
[Dieser Beitrag wurde 1 mal editiert; zum letzten Mal von B0rG* am 10.07.2018 23:55]
|
|
|
|
|
|
Gerade geht ja WPA3 ein bisschen durch die Medien. Und eine coole Neuerung ist wohl, dass man nicht mehr den Authentifizierungsprozess mitschneiden und offline das Passwort knacken kann, das ist nur noch online möglich. Das zugehörige Konzept nennt sich wohl Simultaneous Authentication of Equals. Klingt spannend, aber ich habe einen zu niedrigen IQ in Verschlüsselung um das Paper zu verstehen, und ich habe noch keinen populärwissenschaftlichen Artikel zum Thema gefunden. Hat sich jemand von euch schon damit beschäftigt und ist motiviert, mir die Funktionsweise in Worten zu erklären? Oder gibt es doch irgendwo eine Erklärung, die ich nicht entdeckt habe?
|
|
|
|
|
|
|
|
|
|
|
H2020-Guides(!) für die Marie-Curie-Programme.
Aaaaalter, wer hat den Machern ins Hirn geschissen.
I find your lack of faith disturbing.
|
|
|
|
|
|
|
|
|
|
|
Ich habe CSS bezogene Fragen.
- Ich habe ein Element am rechten Seitenrand. Dieser soll scrollen, auch wenn der Courser nicht auf dem Element ist. Erst wenn das Element das Scrollende erreicht hat, soll die Seite selbst weiterscrollen.
- Ich habe Elemente, die beim Scrollen zum runterscrollen sich an das obere Ende des Fenster festsetzen sollen, wenn sie den Bildschirmrand erreicht haben.
Wie kann ich das umsetzen?
Gibt es etwas, was Angular bzw Bootstrap in dieser Art können?
|
|
|
|
|
|
|
|
|
|
|
Vergleiche:
Webseiten die Scrollverhalten manipulieren
[ ] schlimmer als
[ ] genauso schlimm wie
[ ] kaum weniger schlimm als
Hitler.
|
|
|
|
|
|
|
Pro: Antwort von möglichem Postdocgastgeber in unter zwölf Stunden.
Contra: Institutsinterne Deadline für Postdocbewerbungen zu zeitnah als dass er den Papierkram zusammen kriegt.
Pro: Er sagt einem das offen.
Contra: Warum stellt sein Institut diese Deadlines nicht online, wenn es das schon ankündigt.
Das ist doch frustrierend.
|
|
|
|
|
|
|
| Zitat von Danzelot
Gerade geht ja WPA3 ein bisschen durch die Medien. Und eine coole Neuerung ist wohl, dass man nicht mehr den Authentifizierungsprozess mitschneiden und offline das Passwort knacken kann, das ist nur noch online möglich. Das zugehörige Konzept nennt sich wohl Simultaneous Authentication of Equals. Klingt spannend, aber ich habe einen zu niedrigen IQ in Verschlüsselung um das Paper zu verstehen, und ich habe noch keinen populärwissenschaftlichen Artikel zum Thema gefunden. Hat sich jemand von euch schon damit beschäftigt und ist motiviert, mir die Funktionsweise in Worten zu erklären? Oder gibt es doch irgendwo eine Erklärung, die ich nicht entdeckt habe?
| |
Vielen Dank für den Hinweis, sehr spannend. Das Papier hat mir die erste Kaffeepause versüßt.
Ganz, ganz grob ist die Idee ein modifizierter Diffie-Hellman Schlüsselaustausch. Allerdings wird der Generator der verwendeten zyklischen Gruppe nicht vorher festgelegt oder im Klartext mitgeschickt wie üblich, sondern aus dem geteilten Passwort abgeleitet.
Geschicktes zusätzliches Blinding beider Parteien verhindert dann die offline Dictionary-Attacke.
Sehr cool an der Konstruktion ist, dass sie gleich auch Forward Secrecy mitbringt.
|
|
|
|
|
|
|
Ich war ja vor ner Weile schon mal hier wegen Brechungsindices und ihr habt mir was von gradient index Zeug erzählt.
Sind wir, jetzt, wo ich mich was ausgeruht habe und die erste Fassung abgegeben ist, konkreter:
Umsetzbar? Ja? Nein? Die Frequenzabhängigkeit ist relativ nebensächlich und mehr relevant für die Arbeit als für ein eventuelles Experiment - man könnte also außerhalb der Bereiche bleiben, wo Dinge kompliziert (und komplex) werden. Außerdem ist die Frequenzabhängigkeit abseits dieser fiesen Bereiche relativ schwach und harmlos.
Das ganze ist ein optisches Analogon für ein schwarzes Loch. Natürlich kann ich näher an den Ereignishorizont gehen in den Plots, das drückt aber auch den Brechungsindex hoch, da der am Horizont divergiert (und divergieren sollte). Ich habe den Cutoff entsprechend nach eurer Posts gewählt...
Die Skalierung von r ist irrelevant - andere Skalen korrespondieren zu anderen "Massen". Die rote Linie ist bei n=1.
Falls ihr sogar die Möglichkeit habt, sowas zu basteln, könnte ich da sogar eine Kollaboration draus machen. Mit etwas Glück könnte ein Experiment daran Hawking-Strahlung messen.
And when their eloquence escapes me/ Their logic ties me up and rapes me
|
[Dieser Beitrag wurde 2 mal editiert; zum letzten Mal von Wraith of Seth am 25.07.2018 1:09]
|
|
|
|
|
|
PS: Ich glaube, es war schonmal hier, aber es ist einfach zu gut.
Homophonic Quotients of Free Groups
Die Witzdichte ist enorm. Und die Übersetzung ist keine.
So how do you kill a star, anyway? - Reality TV.
|
[Dieser Beitrag wurde 1 mal editiert; zum letzten Mal von Wraith of Seth am 25.07.2018 3:49]
|
|
|
|
|
|
Verstehe überhaupt nicht, was deine Graphen darstellen.
Also ich verstehe, was geplottet ist, aber warum ist es so geplottet und was macht es?
|
|
|
|
|
|
|
Die Idee ist, ein analoges Model für die Lichtausbreitung auf einer Schwarzloch-Raumzeit zu basteln. Die (Laplace-Beltrami)-Wellengleichung, die man dafür hat, kann für rotierende wie nicht rotierende schwarze Löcher separiert und gelöst werden. Dadurch bekommt man die Zerlegung in Frequenzteil (), Radial- und Winkelamplitude. Die letzten beiden sind hässlich. Wenn ich jetzt aber z.B. den Radialteil angucke, ist das formal analog zu einer 1D-Helmholtz-Gleichung mit orts- und frequenzabhängigem Brechungsindex. Der ist geplottet.
Jetzt habe ich (noch) zu wenig Ahnung von der QED, die hinter so einer Helmholtz-Gleichung steckt, sollte man sie quantisieren. Meine Hoffnung: Das geht - dann wird man einen Hawking-Effekt bekommen. Das heißt das Vakuum nahe dem divergierenden Brechungsindex ist nicht das für r \to infty - man würde Strahlung dort beobachten. Eben weil die ursprüngliche Gleichung das tut - der Brechungsindex ist nur eine äquivalente Gleichung.
Unabhängig von der Quantisierung sollte man aber auch schon klassisch "superradiance" beobachten: Strahlt man die richtige Frequenz ein bekommt man mehr raus. Das klappt zwar schon klassisch, da muss man aber wahrscheinlich auch den Imaginärteil passend hinbiegen, da das nur bei vorhandener Dispersion klappt. Die ist aber in dieser Formulierung wahrscheinlich komplett in diesen Aussparungen bei niedrigen Frequenzen: Da ist n rein imaginär, sonst rein reell. Das reelle ist geplottet. Die genauen Frequenzbereiche müsste ich noch ausrechnen und einzeichnen. Vielleicht (!) reicht der reelle Teil...
Lange Rede, kurzer Sinn: Sollte das Brechungsindex-Profil realisiert werden können, sollte man da allerlei ulkige Strahlungseffekte beobachten können. Die Details werden aber wohl etwas mehr Optik sein als ich das zur Zeit drauf habe. Die Hawking-Strahlung selbst geschieht bei jeder Frequenz und mischt keine Moden, monochrom sollte dafür reichen. Obendrein gilt (bewiesen an den exakten, unfassbar hässlichen Ausdrücken für n) . Astrophysikalisch: Weit weg vom schwarzen Loch hat man flache Raumzeit. Im analogen Model: Weit weg vom "simulierten schwarzen Loch" gibt es keine Beugung.
Hilft das, um das einzuordnen?
|
|
|
|
|
|
|
Da editieren am Handy Schmuh ist:
Die Idee hinter analogen Modellen/Analogien für die Physik gekrümmter Raumzeiten, sei es klassisch oder qm, ist Folgende: Der astrophysikalische Kontext ist meist winzig. Siehe Gravitationswellen. Siehe Hawking-Effekt. Allerdings hat vieles davon Entsprechungen in anderen Bereichen der Physik, z.B. Wellen mit lokal veränderlicher Wellengeschwindigkeit. So kann man z.B. Horizonte für Schallwellen basteln, wo die Fließgeschwindigkeit des Mediums die Schallgeschwindigkeit des Mediums übersteigt.
Mit Oberflächenwellen in Wasser gibt es auch erste Messungen, die superradiance nachweisen. Andere versuchen es mit Glasfasern oder BEC. Letzteres ist gerade voll en vogue für Analogien zum Hawking-Effekt. Das da oben ist eine konzeptionell simple Analogie, die ich mir ausgedacht habe. Wenn man jetzt ein Material geeignet dafür herstellen kann, dass z.B bei fester Frequenz das Brechungsindex-Profil gut getroffen wird, sollte man Effekte wie in einer Raumzeit eines schwarzen Loches beobachten können...
|
|
|
|
|
|
|
| Zitat von Wraith of Seth
Da editieren am Handy Schmuh ist:
Die Idee hinter analogen Modellen/Analogien für die Physik gekrümmter Raumzeiten, sei es klassisch oder qm, ist Folgende: Der astrophysikalische Kontext ist meist winzig. Siehe Gravitationswellen. Siehe Hawking-Effekt. Allerdings hat vieles davon Entsprechungen in anderen Bereichen der Physik, z.B. Wellen mit lokal veränderlicher Wellengeschwindigkeit. So kann man z.B. Horizonte für Schallwellen basteln, wo die Fließgeschwindigkeit des Mediums die Schallgeschwindigkeit des Mediums übersteigt.
Mit Oberflächenwellen in Wasser gibt es auch erste Messungen, die superradiance nachweisen. Andere versuchen es mit Glasfasern oder BEC. Letzteres ist gerade voll en vogue für Analogien zum Hawking-Effekt. Das da oben ist eine konzeptionell simple Analogie, die ich mir ausgedacht habe. Wenn man jetzt ein Material geeignet dafür herstellen kann, dass z.B bei fester Frequenz das Brechungsindex-Profil gut getroffen wird, sollte man Effekte wie in einer Raumzeit eines schwarzen Loches beobachten können...
| |
Bill Unruh macht sowas glaub ich auch, oder? Jedenfalls erinner ich mich dass der hier mal nen Vortrag über sowas hielt Schon lustig, ein schwarzes Loch in Wasser zu simulieren
|
|
|
|
|
|
|
Ja, due ersten Versuche waren von ihm und der ersten Doktorandin meines Doktorvaters. Nachdem Bill Unruh und mein Doktorvater gemeinsam unabhängig voneinander die (modernen) theoretischen Vorarbeiten gemacht haben.
Spaßiges Feld, weil man wild Ideen und Fachgebiete kombinieren kann - genau mein Ding. Und dann, wenn man wenig Muße hat solange in einem der Gebiete abtauchen kann. Wär ulkig, wenn meine Idee "leicht" realisierbar wäre - aber da brauch Optiker für.
|
|
|
|
|
|
|
Wenn man sich für ein Vorstellungsgespräch nochmal Algorithmen und Datenstrukturen anschauen soll; welche reichen da wohl für einen IT job als Quereinsteiger? (Im Telefoninterview habe ich Quicksort verkackt )
https://medium.com/coderbyte/how-to-get-good-at-algorithms-data-structures-d33d5163353f
Hier steht:
Data Structures
Learn about arrays, linked lists, binary trees, hash tables, graphs, stacks, queues, heaps, and other fundamental data structures.
Algorithmen
Binary search
Euclid’s algorithm
Depth and breadth first search
Dijkstra’s shortest path
Binary tree traversals
Insertion sort, Mergesort, Quicksort
Min & max heaps
Ist das eine solude Basis oder fällt euch noch was ein?
|
|
|
|
|
|
|
Übungsaufgaben von $random-Datenstrukturen-und-Algorithmen-Vorlesung lösen?
|
|
|
|
|
|
|
Hätte ich auch gesagt. Paar Aufgaben lösen und die Komplexität kennen. Bisschen im Gefühl haben was die best/worst Cases sind und du schliesst unter Garantie besser ab als die meisten Informatiker, die das einfach wieder vergessen haben (inklusive mir).
|
|
|
|
|
|
|
| Zitat von csde_rats
Übungsaufgaben von $random-Datenstrukturen-und-Algorithmen-Vorlesung lösen?
| |
Ich wusste nicht, dass es da eine Vorlesung im $random CS Studium gibt. Danke.
|
|
|
|
|
|
Thema: pOT-lnformatik, Mathematik, Physik XXII ( Jetzt nehmen uns Computer schon die Memes weg! ) |