Dmitry xotonic

Docker

Run image in shell

sudo docker run -i -t  maven /bin/bash

or

`Tail -f`

Get-Content YOUR_LOG_FILE –Wait

Enable logging for current session

SET GLOBAL log_output = "FILE"; 
SET GLOBAL general_log_file = "/var/log/mysql/queries.log";
SET GLOBAL general_log = 'ON';

and after than

Обзор безопасности популярных СКВ

Git

Git не предоставляет механизмов контроля доступа, но спроектирована таким образом, чтобы взаимодействовать с внешними инструментами.

17 декабря 2014 года на MAC и Windows версиях клиента Git был обнаружен эксплойт. Злоумышленник мог выполнить произвольный код на Windows или Mac с установленным Git с помошью создания подделаного дерева Git (в системе представляет собой обычную директорию) в верхнем регистре ( .GIT или .Git ) с поддиректорией в .Git/hooks - папке, содержащей файлы, которые Git запускает на выполнение. Злоумышленнику достаточно иметь права модификации репозитория (обычно ими обладает каждый разработчик). Если другие пользователи скачивают изменения с сервера на котором хранится такая директория, то вышеуказанные файлы в папки hooks выполняются на машине пользователя. Такая уязвимость стала возможной по причине того, что файловые системы Windows и Mac не чувствительны к регистру.

MOST USEFUL

pkill -KILL -f com.intellij.idea.Main

Log4j

Will look like:

[DEBUG] Form::main : Program start

Setting up Selenium with Maven

http://www.lagerweij.com/2011/08/24/setting-up-selenium-with-maven/

###Нейронные сети

https://tproger.ru/translations/neural-network-zoo-1/

	# coding=utf-8

	import cv2
	import numpy as np
	from sklearn.neural_network import MLPClassifier
	from sklearn import metrics


	# Загрузка изображений и разделение на символы 28х28
	# Вход: массив исходных изображений, массив распознаваемых цифр

	# -- coding: utf-8 --
	# импорт нужных функций и библиотек
	import numpy as np
	from pandas import read_csv
	from sklearn.feature_extraction.text import CountVectorizer
	from sklearn.cross_validation import train_test_split
	from sklearn.naive_bayes import BernoulliNB, MultinomialNB, GaussianNB
	from sklearn import metrics

	# читаем данные и соединяем в один массив

	#!/usr/bin/python
	# -- coding: utf-8 --

	import fnmatch
	import getopt
	import os
	import sys
	import time
	import random

	from math import sqrt
	import matplotlib.pyplot as plt

	isbn_map = {}
	users_map = {}


	def load_data(path='./data/BX-CSV-Dump/BX-Book-Ratings.csv'):
	prefs = {}
	book_id = 0