反思:要学的东西尽快学,至少也要下载到本地,之后可能就找不到了。
令基本模型从一开始就可以训练,在训练代数相同时,收敛更快验证损失更低!
反思:要学的东西尽快学,至少也要下载到本地,之后可能就找不到了。
令基本模型从一开始就可以训练,在训练代数相同时,收敛更快验证损失更低!
意义:更好地了解自己,了解他人。
在对方没有察觉到的情况下,不断地重复或者强调话语、画面,声音、色彩、手部动作都可以作为暗示。
暗示要被对方的感官所觉察到,声色味触觉都可;
观察——推断——质疑——再观察。
观察一个人:行为模式+思维模式+情绪模式。
从小物件的观察出发,锻炼自己回忆细节,对其整体和局部的记忆能力,记住事实而非推论。
有意识地去做,强化它,让它成为习惯、本能,进而再次转化为潜意识的状态。
在迷糊(困倦、醉酒)的时候,重复给自己暗示。
表情、鼻子朝向、眼球运动方式;
微表情、微反应。
习惯性动作;
语言用词(口头、书面);
配饰、房子布置;
朋友圈、昵称头像。
心理结构分为 意识、前意识和潜意识。
否认:抵御由外界所引发的内心焦虑而产生的一种“心理防御”机制,人在否认时常常处于“无意识(下意识)状态”。
人的动物性/原始心智:在面对危险时,战斗或者逃跑。
催眠的原理指通过信息过载产生,使批判区的抑制功能失调,触发原始区战斗逃跑的反应机制,进入高暗示感受性状态,从而打开潜意识的绿色通道。
人类有一对植物神经包括交感神经和副交感神经,当我们交感神经持续兴奋的时候就会紧张并触发战斗反应,从而产生焦虑。反之,如果是副交感神经系统持续兴奋就会触发副交感神经系统兴奋,这样就会产生抑郁。
人在对未来充满不确定性,接收大量无法即时处理的信息时,容易陷入焦虑状态。在高度的焦虑状态下,潜意识会自动接替意识功能。例如:在焦虑状态下的人会觉得六神无主、慌乱、不知所措,自己的举动不受自己掌控。
人喜欢 控制感、存在感、安全感以及认同感。例如: qq空间的点赞让我获得的是一种认同感。
Triantafillou, E., Larochelle, H., Zemel, R.S., & Dumoulin, V. (2021). Learning a Universal Template for Few-shot Dataset Generalization. ArXiv**, abs/2105.07029.
Win10版本;Win32k权限提升漏洞
该漏洞是之前CVE-2021-1732漏洞补丁的绕过。CVE-2022-21882是一个本地权限提升漏洞,攻击者利用该漏洞可以在Windows 10系统上获得管理员权限、创建新的管理员账户、执行特权命令。
由dump分析入手,到漏洞原理剖析,再到漏洞的重现利用手法,最后到分析漏洞的影响函数、修补方式等,完整重现“由dump到POC”的全过程。
1 | //k 栈追踪 |
xxxTrackPopupMenuEx的工作原理,熟悉界面编程的朋友都知道这是用于弹出一个Popup Menu的函数,那么在内核中它是如何工作的呢,这里笔者简单列出一下大概的工作的流程 :
(1). 创建Menu窗口对象: 根据HMENU等相关参数,创建最终弹出和展示的Menu窗口(通过xxxCreateWindowEx)
(2). 分配和初始化当前线程的MenuState结构(xxxMNAllocMenuState)
(3). 计算和设定Menu窗口的相关位置、属性等(通过FindBestPos/xxxSetWindowPos等)
(4). 进入菜单循环,展示Menu并进入等待菜单选择的循环(xxxMNLoop),在进入循环前,会通过xxxWindowEvent来“播放”一个EVENT_SYSTEM_MENUPOPUPSTART的窗口事件,这个细节会在后面用到
(5). 菜单被选择或取消,退出循环并销毁PopupMenu、Menu窗口对象和MenuState结构(xxxxxEndMenuLoop、xxxMNEndMenuState等)
姜旭平
营销的知识和方法是最重要的,工具手段是围绕目的服务的。
分析客户心理->关键词->客户根据关键词能够搜索出感兴趣的内容->客户点击后目的链接是精准的链接。
客户搜索的关键词,反映出了他感兴趣的点;而他感兴趣的点,限制了他能够挑选的关键词的范围。
中国市场不缺客户,客户也在积极地寻找好的产品,所以重要的是渠道,让客户知道我的产品,知道我的产品的价值和利益。
为建立渠道,关键是对人性的把握,给销售方一个理由卖你的产品而非友商的产品,不一定要让利,让它方便、提供服务、好的期望和市场反应都是谈判的稻草。(例如,以前通过送网络电话,让经销商卖自家瓜子;以前的三大运营商充话费送手机也算一点,但是要注意到社会发展的趋势,服务不能满足客户需求时,随着经济的发展,客户会办理多个电话卡)
品牌不是耳熟能详(例如恒源祥),而是一种理念的传播和价值认同。讲明白你的产品对客户的价值和利益,给客户一个购买的理由。
现在的app或者网站上的锚点 ,可以收集足够多的数据,分析到客户的兴趣爱好和习惯。
推销当前社会已经不适用,多引导,让客户自己说服自己,自己体验到产品的价值。该买的人,一定会买。
1.人的消费习惯不易逆转,由俭入奢易。(送质量更好的茶叶;花呗都是基于这样的原理)
2.和气生财,多交朋友。(小利益的让出,会收获更大的利益。在合适的发展阶段,明白自己有多大的让利空间)
3.多问一句来引导,而不是捆绑销售,把选择权留给客户(但是这个选择空间可以特殊设计,让客户最终选择我想要的)。(例如,卖牛肉面,问一句客户要鸡蛋、小菜吗?而不是直接设计为套餐给客户,当然事无绝对,这些附加的营收,会占据流水的很大份额)
4.体验,比推荐更有杀伤力。(30天无理由退款,线下体验店基于此原理)
5.讲清楚利益和价值,客户为什么买。找到客户关心的(例如,正例:强生公司在美国讲健康,在中国讲教育;反例:没人乐意当银行的垃圾邮件接收器,成为银行VIP得不到什么好处)。
分析市场特点,找对客户关心的内容,与自己产品建立联系,没有联系也无妨,包含自己产品的内容非常重要,要和客户的兴趣点相对应,这些设计最终要实现目的:客户转化成利益。
两个特点:1.信息谁都可以发送和接收;2.会自动形成兴趣小组,群体会自动聚类;
信息:每个人都可以创造性加工,也都可以选择性接受。
病毒式/社会化营销:4I s原则:Interesting 、Interests、Innovation、interactive,用户感兴趣是前提,价值观、逆向思维是核心,观点功能方法要创新,与客户互动、给客户创造秀的机会、让客户形成社群自己发热。
典型案例:18年,Elon Mask就拿火箭发射汽车,借助社会化媒体自我宣传了;实际意义有的时候不重要,制造话题、并且话题能够和产品的特点有所融合,节省的广告费最终会是赚的。(例如:火箭的运输能力,汽车的高科技感的营造)
凑热闹,喜欢虚假的安全感,喜欢别人设计的意义。
例如,褚橙:甄嬛体活动(蹭热度,制造热度),有一个就够了的广告词<->与男女感情建立联系,只要打印这样的包装即可,产品不重要,营造出来的价值,符合冬天各种节日里的男女的需要;符合女士爱美、追求时尚的特征即可。
找到客户的兴趣点,瞄准其真实需求做产品。
大量、多变、高频的数据,可以消除数据里的异常数据的干扰,获取到客户下意识的、真实的想法。
王雪莉
1.人力资源既是成本,也是资产。考察一个人的成本,看工资是否合适,应该拿他创造的收益-工资。同样的,作为求职者,要创造价值,给公司带来大于工资的收益。
2.眼界放开。公司限制竞业会跨越很多行业,同样的,求职范围不要局限于互联网,凡是有交叉的范围都可以去试试。
3.物质激励效用递减时,当前的管理层给员工创造的是兴趣、意义、希望,让员工看到快速上升的希望。
4.每一代人有每一代人的性格特点,管理永远是对人的,让他把力气发挥正确即可。
课程链接:北大 钱铭怡教授 变态心理学
Abnormal Psychology异常心理发生、发展变化的规律和原因。
心理障碍继续加重、时间长了会变成精神病。(错,例如强迫症,需要看此人的症状表现是其他病比如分裂症的前期表现,还是仅仅为强迫症)
2009年,Phillips的调查就显示,中国成年人群精神障碍总现患率为17.5%;女性、40岁以上在心境障碍和焦虑障碍上都更严重;物质滥用尤其是酒依赖上,男性超过女性,农村超过城市。
2012年,《中华人民共和国精神卫生法》通过。
1.患者自身认识,研究者主观判断;
2.社会文化传统;
3.心理测量学,以统计的视角判断离群情况,一般重点关注分布的两端;
4.病因和症状存在与否,现象学的标准(无法通过化验等精准手段判断)
三大挑战:规范化(相对于使用AV提供的完整标签而言),通用标记删除,别名检测
采取AV vendors多数投票,需要选择出一些打标签比较好的检测引擎,而检测引擎往往对于某一类准确率高,而对于另一类又比较差;也无法定量评估标签的质量。
已知某些引擎会抄袭leader引擎的标签结果。
AVCLASS可以代替聚类过程和给聚类结果打标签。
2020
Silvia Sebastián, Juan Caballero. AVClass2: Massive Malware Tag Extraction from AV Labels. In proceedings of the Annual Computer Security Applications Conference, December 2020.
AVLASS2借助VT的json可以获得下面的结果:
1 | aca2d12934935b070df8f50e06a20539 33 CLASS:grayware|10,CLASS:grayware:adware|9,FILE:os:windows|8,FAM:adrotator|8,CLASS:downloader|3,FAM:zlob|2 |
bagging: 随机森林
boosting: adaboost,GBDT,XGboost,LGBM
随机变量的不确定性,熵越大,不确定性越大。
1 | H(X)=-\sum_{i=1}^{n} P(X=i) \log _{2} P(X=i) |
比如,0.5、0.5的概率,不确定性很大,计算得到H(X)=1;而0.01,0.99的概率,不确定性减少,计算得到0.09;
增加了条件限制后,不确定性会发生变化。
1 | H(X \mid Y=v)=-\sum_{i=1}^{n} P(X=i \mid Y=v) \log _{2} P(X=i \mid Y=v) |
代表了在一个条件下,信息不确定性减少的程度,信息更容易被确定了,所以叫做增益。
I(X,Y)=H(X) -H(X|Y=v) 父节点熵-子节点加权熵
信息增益越大的时候,决策树的划分越好。所以决策树的每一级决策,取信息增益最大的因素。
1 | model.set_params(max_depth=3, |
1 | def __init__( |
随机性:1.样本随机选取作为某一个DT的训练集;2.特征随机选取