Le Quang Duy

This post is pending Intro: faceswap & deepfake Face swap refers to an activity in which a person's face is swapped with the face of another person. Deepface = deeplearning + fake. Deepfake is an advanced technology, but 96% ò Deepfakes videos have triolous content. Deepfake also targets political purposes, fraud and market manipulation. Traditional swap face - using opencv-dlib Facial landmark Detection Facial landmarks are used to localize and represent salient regions of the face. The pre-trained facial landmark detector inside the dlib library is used to estimate the location of 68(x,y)-coordinates that map to facial structures on the face. Each frame of the animation shows a Delaunay trianulation of the four points. Halfway through, the trianglulating edge flips showing that the Delaunay trianglulation maximizes the minimum angle, not the edge-length of the triangles. The final steps of face alignment to to consider corresponding triangles between the source fac...

Developer Skill & Editor Setup DOM and events fundamentals Developer Skill & Editor Setup Debug: google chrome breakpoints. DOM and events fundamentals DOM manipulation Selecting, Handling click events

Project setup - First steps Bulding the header CSS animations Animation Button How css works ? Cascade and Specificity Process Inheritance BEM SASS & NPM Variables and Nesting Project with SCSS Structure file CSS About section Buiding the features section Section tour part 1 Section tour part 2 Section tour part 3 Section story Section book Footer Navigation Popup Responsive @Mixins Responsive typography and layout Page home and component compositon Art Direction and Density Switching Density and Resolution Switching Responsive Images in CSS Testing for browser support with @supports Trillo project - Flexbox INIT Building overall layout Building the header Building the navigation Building the CTA Writi...

HTML Fundamentals CSS Fundamentals Layout Design Project Responsive Effects & Optimizations

Intro Mình mới viết lại 1 thuật toán chơi cờ vua, muốn thử xem hệ số Elo của nó là bao nhiêu trên chess.com, việc tự động này có lẽ chỉ làm được với Selenium, nên mình tìm hiểu nó.

Trong chuyến phiêu lưu này, tôi sẽ đưa bạn qua tất cả những kỹ thuật cơ bản nhưng CHƯA bao giờ lạc hậu trong lĩnh vực tấn công một website, hãy chuẩn bị để sẵn sàng đi với tôi, tôi sẽ đi với bạn đến khi hoàn thành bài viết này, dù cho đó sẽ là không ngủ đến khi hoàn thành. Hệ điều hành duy nhất bạn cần và sẽ gắn bó với sự nghiệp hack là Kali linux, mình sẽ để link torrent một phiên bản mà mình hay dùng vì nó có sẵn nhiều tool cần thiết, và cả card mạng chipset phổ biến cho những cuộc tấn công local tại đây . Bạn cũng nên cài VMware, công nghệ ảo hóa này đã lỗi thời vì giờ có docker nhưng với hacking nó vẫn phát huy hiệu quả để giả lập nhiều dạng máy tính cùng lúc, sau đó chúng ta cần chạy Metasploitable, đó là một phiên bản linux tạo ra môi trường để ta thực hành tấn công trên server side, tại đây . Các công cụ vân còn nhiều, trong quá trình thực hành mình sẽ nói cụ thể sau.

Generative Learning Algorithms Nếu như logistic regression là thuật toán đi tìm xác xuất p(y|x; θ) (tìm theta sao cho xác xuất của p theo x lớn nhất). thì trong bài viết này, chúng ta sẽ đi tìm hiểu một thuật toán khác, được cho là tốt hơn logistic regression về mặt hiệu năng khi dữ liệu ở dạng phân phối chuẩn.

Mở đầu Xác xuất là ngành chuyên nghiên cứu về sự không chắc chắn, trong bài viết này, chỉ nghiên cứu một nhánh nhỏ của xác xuất gọi là measure theory, áp dụng cho các thuật toán, mô hình trí tuệ nhân tạo hiện tại. Hãy bắt đầu chuyến đi dạo lại về xác xuất nếu bạn đã từng học nó với tôi.

Lưu ý, bài viết vẫn đang được cập nhật Trong series này, mình sẽ giới thiệu 1 số kỹ thuật nền tảng trong lĩnh vực hacking.

Bài viết chưa hoàn thành nhưng người viết đã dừng để tìm hiểu thêm. Các khái niệm cơ bản và ký hiệu Đại số tuyến tính giúp viết các tập hợp tuyến tính theo cách nhìn đơn giản hơn ! Ví dụ, xét hệ phương trình sau:

Bài viết hiện đã tạm dừng ! Đây là series mỗi tuần 1 bài báo khoa học. Trong tuần này, mình sẽ đọc một bài báo tên là Learning To Count Everything, Viresh Ranjan, Udbhav Sharma, Thu Nguyen and Minh Hoai.

Mở đầu Trong bài viết này, mình sẽ nói tổng quan về học máy, nạng noron là gì, mạng noron tích chập là gì, cũng như ứng dụng nó để xây dựng 1 mô hình nhận diện biểu cảm con người.

Các phần đã hoàn thành: 1. BFS - Tìm kiếm theo chiều rộng 2. DFS - Tìm kiếm theo chiều sâu 3. IDDFS - Tìm kiếm theo độ sâu nhất định 4. Thuật toán A* 5. Brute Force - Thuật toán vét cạn 6. Hill Climbing - Thuật toán leo đồi 7. Tabu Search - Thuật toán Tabu 8. Simulated Annealing - Phương pháp ủ luyện kim 9. Genetic Algorithm - Giải thuật di truyền 9. Particle Swarm - Thuật toán tối ưu bầy đàn 10. Minimax

 Mình có thời hạn là đến trưa mai, thực ra mình có thể kết thúc nó từ giờ đến đêm mai, nhưng do mấy ngày trước mới thức liên tục 48h, mấy ngày sau đó lại thức 24h trước khi thuyết trình, nên mình hơi ngán. Mình đặt mục tiêu là tìm hiểu khá sâu về chatbot nhưng là ứng dụng, còn nghiên cứu về chatbot thì để đấy đã, tại mình mới đang tập trung nghiên cứu về mảng computer vision. Đây chỉ là một challenge nhỏ.

 Overfitting là một hiện tượng xảy ra khi mô hình học máy phù hợp với tập dữ liệu kiểm tra mà không phù hợp với tập thực tế, nó thường xảy ra ở các mô hình phức tạp (complex models), như deep neural networks. Regularisation là một quá trình để ngăn chặn họăc giảm thiều overfitting. Ở đây, chúng ta tập trung vào hai chuẩn là L1 và L2 regularisation. Đã có khá nhiều giải thích trên mạng, nhưng thành thật mà nói có vẻ khi bạn đọc bài viết này thì những bài viết đó đã quá khó hiểu với bạn, vì thế, bài viết này, chúng ta cùng tìm hiểu rõ tại sao chuẩn L1 và L2 lại được dùng để tránh hiện tượng overfitting bằng cách mô tả lại quá trình Gradient Denscent, tối ưu hàm loss của model. Bắt đầu nào. 0. L1, L2 là gì ? L1, L2 regularisation hay còn được gọi là L1, L2 norm của vector w, dưới đây là công thức: 1-norm (L1 norm) 2-norm (L2 norm hoặc Euclidean norm) .Trong hồi quy tuyến tính (linear regression), kèm với L1 còn được gọi là lasso regression, kèm L2 được gọi là ridge regression, (mình ...

Đã lâu rồi không có một bài viết về những gì mình đang làm. Thì là đây vậy. Sau khi hoàn thành, mình sẽ viết một phiên bản khác, đầy đủ hơn, dễ hiểu đối với mọi người. Mình đang train thử model với mạng LittleVGG, chắc tới 7h sáng sẽ chạy xong, rồi test thử, xem nó không hiệu quả chỗ nào để thay đổi. Trong lúc đấy mình vẫn còn nhiều thứ phải học, nên, nghe nhạc chút, tìm hiểu thêm chút, để lát đi ngủ là vừa. Mình đang tìm hiểu về mấy cái thuật toán tối ưu, model đang chạy kia dùng rmspop, lát mình sẽ thử với adam, lại mất thêm 4 tiếng nữa. Thế nhé, lát mình sẽ quay lại. 3:30: Sau nửa tiếng chạy 1 epochs thì train model đã lỗi gì đó. 3:33: Thì ra lỗi do mình viết nhầm địa chỉ save model, do nó không có quyền truy cập vào thư mục đó. Mình đoán là không thể lỗi được nữa, mình sẽ ngủ cho máy dồn toàn lực vào train model, sáng dậy sẽ xem thành quả, hy vọng không còn xảy ra lỗi gì. 6:55: Đã được 9/10 %. 12:40: Model lỗi khi lưu lại, mình đang cố sửa, có lẽ nó nằm ở layer softmax cuối cùng. 2...

Bài này mình viết từ rất lâu rồi nhưng chưa xuất bản, nếu mọi người thấy thích xin để lại bình luận, để mình có động lực viêt tiếp, chứ mình chơi cờ vẫn còn dở, chơi hay đã khó, viểt bài hay càng khó hơn. Bạn có thể bỏ qua đoạn giới thiệu này Mình rất nhớ một câu trả lời phỏng vấn của Lê Quang Liêm, trong cờ vua, nếu cả hai bên đều đi những nước đi đúng hết thì sẽ dẫn đến 1 kết quả hòa, nhưng thường sẽ không như thế, hai bên đều có khả năng mắc các sai lầm, những người khai thác được sai lầm của đối phương sẽ dành chiến thắng, cũng có nhiều trận đấu, cả hai đều mắc sai lầm, dẫn đến những trận cờ thú vị. Để bắt đầu chơi cờ vua một cách nghiêm túc, nắm vững khai cuộc là chưa đủ, tàn cuộc là yếu tố giúp bạn dành chiến thắng, những trận đấu mà trên bàn cờ chỉ còn 1 quân xe, 1 quân tượng, 1 quân mã mới là một trận đấu khó. Vì thế, với những kiến thức cơ bản về khai cuộc mà mình tìm hiểu này, mong rằng sẽ giúp ích nhiều cho bạn trong quá trình thi đấu, chúng ta ở đây đều để chia sẻ 1 niểm đa...