Սովորում ենք տարբերել իրական էլեկտրոնային փոստի հասցեները գեներացվածներից՝ CatBoost-ի միջոցով
Կայքերի սեփականատերերը հաճախ բախվում են կեղծ գրանցումների խնդրին, ինչը պահանջում է պաշտպանության արդյունավետ համակարգերի ներդրում: Habr-ում հրապարակված նոր հոդվածում հեղինակը մանրամասն նկարագրում է CatBoost-ի հիման վրա մեքենայական ուսուցման մոդել ստեղծելու գործընթացը՝ էլեկտրոնային փոստի հասցեների «մարդկային» լինելը գնահատելու և դրանց սքորինգը հաշվարկելու համար: Նյութում քայլ առ քայլ ներկայացված են մշակման հիմնական փուլերը՝ տվյալների բազայի պատրաստում և պիտակավորում, ուսուցման համար սինթետիկ տվյալների գեներացում, ինչպես նաև feature engineering-ի մեթոդներ: Հատուկ ուշադրություն է դարձվում n-գրամների և անունների մասնագիտացված բառարանների օգտագործմանը՝ դասակարգման ճշգրտությունը բարձրացնելու համար: Այս մոտեցումը թույլ է տալիս ավտոմատացնել կասկածելի գրանցումների զտումը և նվազեցնել հարթակում խարդախության մակարդակը: Հոդվածը օգտակար կլինի ծրագրավորողների և անվտանգության մասնագետների համար, ովքեր ձգտում են ներդնել ML լուծումներ՝ անցանկալի տրաֆիկի և ավտոմատացված բոտերի դեմ պայքարելու համար:
This is a summary. Read the full article at the original source:
HabrԿապակցված
Անկախ նրանից՝ AI-ի կոդը մաքուր է, թե աղբ, պատասխանատվությունը մնում է ծրագրավորողներինը
Dev.to-ում հրապարակված հոդվածում հեղինակը անդրադառնում է AI-ի կողմից գեներացված կոդի նկատմամբ աճող կախվածությանը և մասնագիտական պատասխանատվության խնդր…
OpenAI-ի մաթեմատիկական բացահայտումների հրապարակումը մտահոգություններ է առաջացրել փորձագետների շրջանում
OpenAI-ը մաթեմատիկական հանրության շրջանում բանավեճ է հարուցել՝ հրապարակելով իր առաջադեմ AI մոդելների կողմից ստեղծված ավելի քան 370 նոր մաթեմատիկական բ…
Meta-ի Muse AI գործակալը հասանելի է դարձել iPad-ի համար
Meta-ն թողարկել է իր Muse iOS հավելվածի կարևոր թարմացումը՝ ապահովելով iPad-ի համար նախատեսված հարազատ աջակցություն: Անցյալ ամիս կայացած հաջող մեկնարկի…