Cyberhades

Introducción al ensamblador del 6502

Los que sigáis el blog desde hace algún tiempo ya sabréis que nos gusta la programación retro, es decir, programación de tecnología antigua y obsoleta que ya no se usa, pero que en su día fueron joyas.

El motivo de esta entrada es la de hablaros sobre este tutorial de introducción al lenguaje ensamblador del microprocesador MOS 6502, chip que incluía sistemas como el Atari 2600, Commodore 64 o la consola NES entre otros.

Curso audiovisual sobre Machine Learning

En la web del Instituto de Tecnología de California podemos encontrar un serie de vídeos orientados a la enseñanza de Machine Learning, titulado Learning from Data. Técnica ampliamente usada en el campo de la inteligencia artificial, dónde básicamente nuestra aplicación estudia el entorno en el que se encuentra para aprender más sobre el mismo y así poder tomar decisiones.

El índice de los vídeos es el siguiente:

Bayesian Learning
- Validity of the Bayesian approach (prior, posterior, unknown versus probabilistic)
Bias-Variance Tradeoff
- Basic derivation (overfit and underfit, approximation-generalization tradeoff)
- Example (sinusoidal target function)
- Noisy case (Bias-variance-noise decomposition)
Bin Model
- Hoeffding Inequality (law of large numbers, sample, PAC)
- Relation to learning (from bin to hypothesis, training data)
- Multiple bins (finite hypothesis set, learning: search for green sample)
- Union Bound (uniform inequality, M factor)
Data Snooping
- Definition and analysis (data contamination, model selection)
Ensemble Learning
- Overview of aggregation methods (boosting, blending, before and after the fact)
Error Measures
- User-specified error function (pointwise error, CIA, supermarket)
Gradient Descent
- Basic method (Batch GD) (first-order optimization)
- Discussion (initialization, termination, local minima, second-order methods)
- Stochastic Gradient Descent (the algorithm, SGD in action)
- Initialization - Neural Networks (random weights, perfect symmetry)
Learning Curves
- Definition and illustration (complex models versus simple models)
- Linear Regression example (learning curves for noisy linear target)
Learning Diagram
- Components of learning (target function, hypothesis set, learning algorithm)
- Input probability distribution (unknown distribution, bin, Hoeffding)
- Error measure (role in learning algorithm)
- Noisy targets (target distribution)
- Where the VC analysis fits (affected blocks in learning diagram)
Learning Paradigms
- Types of learning (supervised, reinforcement, unsupervised, clustering)
- Other paradigms (review, active learning, online learning)
Linear Classification
- The Perceptron (linearly separable data, PLA)
- Pocket algorithm (non-separable data, comparison with PLA)
Linear Regression
- The algorithm (real-valued function, mean-squared error, pseudo-inverse)
- Generalization behavior (learning curves for linear regression)
Logistic Regression
- The model (soft threshold, sigmoid, probability estimation)
- Cross entropy error (maximum likelihood)
- The algorithm (gradient descent)
Netflix Competition
- Movie rating (singular value decomposition, essence of machine learning)
- Applying SGD (stochastic gradient descent, SVD factors)
Neural Networks
- Biological inspiration (limits of inspiration)
- Multilayer perceptrons (the model and its power and limitations)
- Neural Network model (feedforward layers, soft threshold)
- Backpropagation algorithm (SGD, delta rule)
- Hidden layers (interpretation)
- Regularization (weight decay, weight elimination, early stopping)
Nonlinear Transformation
- Basic method (linearity in the parameters, Z space)
- Illustration (non-separable data, quadratic transform)
- Generalization behavior (VC dimension of a nonlinear transform)
Occam's Razor
- Definition and analysis (definition of complexity, why simpler is better)
Overfitting
- The phenomenon (fitting the noise)
- A detailed experiment (Legendre polynomials, types of noise)
- Deterministic noise (target complexity, stochastic noise)
Radial Basis Functions
- Basic RBF model (exact interpolation, nearest neighbor)
- K Centers (Lloyd's algorithm, unsupervised learning, pseudo-inverse)
- RBF network (neural networks, local versus global, EM algorithm)
- Relation to other techniques (SVM kernel, regularization)
Regularization
- Introduction (putting the brakes, function approximation)
- Formal derivation (Legendre polynomials, soft-order constraint, augmented error)
- Weight decay (Tikhonov, smoothness, neural networks)
- Augmented error (proxy for out-of-sample error, choosing a regularizer)
- Regularization parameter (deterministic noise, stochastic noise)
Sampling Bias
- Definition and analysis (Truman versus Dewey, matching the distributions)
Support Vector Machines
- SVM basic model (hard margin, constrained optimization)
- The solution (KKT conditions, Lagrange, dual problem, quadratic programming)
- Soft margin (non-separable data, slack variables)
- Nonlinear transform (Z space, support vector pre-images)
- Kernel methods (generalized inner product, Mercer's condition, RBF kernel)
Validation
- Introduction (validation versus regularization, optimistic bias)
- Model selection (data contamination, validation set versus test set)
- Cross Validation (leave-one-out, 10-fold cross validation)
VC Dimension
- Growth function (dichotomies, Hoeffding Inequality)
- Examples (growth function for simple hypothesis sets)
- Break points (polynomial growth functions, puzzle)
- Bounding the growth function (mathematical induction, polynomial bound)
- Definition of VC Dimension (shattering, distribution-free, Vapnik-Chervonenkis)
- VC Dimension of Perceptrons (number of parameters, lower and upper bounds)
- Interpreting the VC Dimension (degrees of freedom, Number of examples)

Además cada vídeo está acompañado de las diapositivas que el profesor usa, así como los deberes asignados en el mismo.

Estos me los iré mirando poco a poco porque el contenido es bastante extenso.

Afina tu SQLi-Fu

Nada mejor y más seguro de probar y aprender nuestras tácticas y habilidades de intrusión en sistemas diseñados para ello y así no meternos en problemas.

En este enlace podemos encontrar 3 retos de inyección de SQL. Dichos retos tienen dos variantes: A y B, siendo esta última algo más complicada que la primera.

Pues nada, si no tienes nada que hacer, ya te puedes distraer un rato :)

Fuente

Feeder, Buck Rogers, para un domingo de verano por la mañana como otro cualquiera

Igual que un/una adolescente en vacaciones de verano, así te sentirás cuando escuches esta canción ;)

Feeder

Diapositivas del curso de SamuraiWTF

SamuraiWTF (Web Testing Framework) es una distribución Linux en forma de LiveCD con las mejores herramientas de código abierto orientadas a poner a prueba la seguridad de aplicaciones web. A diferencia de Backtrack que es de propósito general en el campo de la seguridad, ésta está enfocada a las aplicaciones web.

En Sourceforge podemos encontrar las diapositivas del curso impartido sobre este LiveCD en distintas conferencias de seguridad.

Material de la C++Now! 2012

La C++Now! es una conferencia para entusiastas del lenguaje de programación C++ que se celebra en Auspen, Colorado. Este año se celebró durante el pasado mes de mayo.

Ya están disponible para descarga tanto los vídeos como las presentaciones.

Aquí tenéis la lista de los vídeos:

Si desarrollas en C++ o quieres iniciarte, estos enlaces son un gran recurso.

Evolución del reconocimiento de voz (Infografía)

Fuente

iFixit, página imprescindible para reparar de todo

Yo no puedo vivir sin ella. Desde como reparar problemas de coches, cafeteras, cámaras de fotos, ipod, etc. todo explicado con manuales o con vídeos perfectamente detallados paso a paso, esta página se convierte en totalmente necesaria para cualquier geek que se precie.

La cosa se pone mejor al ver la cantidad de manuales y vídeos que hay sobre portátiles y ordenadores (a mi esto me ha salvado literalmente la vida), sobre productos Apple como Mac (más de 1600 guías sólo para Mac), iPhone, etc.

Er docu der finde: LHC, Gran Colisionador de Hadrones

¿Por qué se llama el bosón de Higgs "la partícula de Dios"?

Pues es una historia muy curiosa. Peter Higgs es ateo y por lo tanto no le gusta nada ese nombre de “la partícula de Dios” entonces ¿por qué se le llamó así?.

Pues todo se debe a un cambio en el término utilizado para referirse a la partícula en un libro. Leon Lederman autor del libro The God Particle: If the Universe Is the Answer, What Is the Question?, llamó a la partícula "The goddam particle" ("La partícula maldita") pero debido a la insistencia de su editor tuvo que cambiarla al nombre de "La partícula de Dios", decía que no sonaba bien.