Тестирование на pytest
pytest — ближе по духу к языку Python нежели unittest, которая накладывает определенные обязательства при разработке тестов. Например, создание классов-наследников от TestCase или выполнение определенной процедуры запуска тестов.
Но при разработке на pytest ничего этого делать не нужно. Вы просто пишете функции, которые должны начинаться с "test_" и используете assert, встроенные в Python.
Также он поддерживает запуск тестов на unittest и nose, то есть полная обратная совместимость с ними.
#python#pytest#assert
💀NeuroSploit v2 - продвинутый AI-фреймворк для тестирования на проникновение (пентеста).
NeuroSploit v2 использует большие языковые модели, чтобы автоматизировать и усилить offensive security.
Фреймворк помогает анализировать цели, находить уязвимости, планировать эксплуатацию и поддерживать защитные меры, сохраняя фокус на этике и операционной безопасности.
Основные возможности:
• Агентная архитектура
Специализированные AI-агенты под разные роли: Red Team, Blue Team, Bug Bounty Hunter, Malware Analyst.
• Гибкая интеграция LLM
Поддержка Gemini, Claude, GPT (OpenAI) и Ollama с настройкой через профили.
• Тонкая настройка моделей
Отдельные LLM-профили для каждой роли: выбор модели, температура, лимиты токенов, кэш и контекст.
• Markdown-промпты
Динамические шаблоны промптов, адаптирующиеся под задачу и контекст.
• Расширяемые инструменты
Интеграция Nmap, Metasploit, Subfinder, Nuclei и других security-инструментов через конфигурацию.
• Структурированные отчёты
JSON-результаты кампаний и удобные HTML-отчёты.
• Интерактивный CLI
Командная строка для прямого управления агентами и сценариями.
NeuroSploit v2 - пример того, как agentic AI превращает пентест из ручной работы в управляемую автоматизацию.
git clone https://github.com/CyberSecurityUP/NeuroSploitv2.git
cd NeuroSploitv2
▪Github: https://github.com/CyberSecurityUP/NeuroSploit
@ai_machinelearning_big_data
#python#Penetrationtesting#llm#mlops#Cybersecurity
#python#agent#llms
AutoAgent lets you create and use powerful AI agents easily by just using natural language—no coding needed. It supports many large language models (LLMs) like OpenAI and Anthropic, and performs as well as top research AI systems on benchmarks. You can build tools, agents, and workflows quickly, manage data efficiently with its built-in vector database, and interact flexibly through different modes. It’s lightweight, customizable, and cost-effective, making it a personal AI assistant that helps automate complex tasks simply and efficiently. This saves you time and technical effort while giving you advanced AI capabilities.
https://github.com/HKUDS/AutoAgent
#book#python#r
⚽️
Football Analytics with Python & R.
✍️Eric A. Eager; Richard A. Erickson
-----
Main channel:@repo_science
Coupons:@freecoupons_reposcience
-----
Добро пожаловать в мир главного ит тренда - машинного обучения: @machinelearning_ru
В канале вы найдете :
📃Статьи ,
📚Книги
👨💻Код
🔗Ссылки
🦾Вакансии
и много другой полезной информации
#ArtificialIntelligence#DeepLearning
#MachineLearning#DataScience
#Python
1 канал вместо тысячи учебников и курсов 👇👇👇
🤖@machinelearning_ru
Добро пожаловать в мир главного ит тренда - машинного обучения: @machinelearning_ru
В канале вы найдет :
📃Статьи ,
📚Книги
👨💻Код
🔗Ссылки
и много другой полезной информации
#ArtificialIntelligence#DeepLearning
#MachineLearning#DataScience
#Python
1 канал вместо тысячиучебников и курсов👇👇👇
🤖@machinelearning_ru
Геоаналитик в Яндекс Карты
Яндекс Карты разрабатывают инструменты и обучают ML-модели на основе геоданных, которые помогают решать задачи в реальном мире. Наши проекты — крутая возможность использовать большие данные и продвинутую аналитику для решения широкого спектра задач. Мы разрабатываем инструменты как для внешних коммерческих клиентов, так и для внутренних клиентов в Яндексе.
Ищем геоаналитика в нашу команду.
Какие задачи вас ждут
Прогнозирование посещаемости магазинов на основе геоданных
Вы будете строить ML-модели, прогнозирующие посещаемость точек интереса на основе географических и пользовательских данных из Яндекс Карт, работать с большими данными, проводить EDA, подготавливать фичи, интерпретировать результаты и визуализировать их для клиентов и внутренних продуктов.
Выбор оптимальной локации для открытия новых точек
Вам нужно будет анализировать потенциальные локации для открытия магазинов, учитывая географические, демографические и поведенческие данные, разрабатывать методики и инструменты для автоматического подбора локаций, создавать дашборды с картами, сравнивать варианты и помогать клиентам принимать обоснованные решения.
Анализ городской среды
Вам предстоит анализировать поведение пользователей в городской среде и предлагать решения, которые помогут улучшать инфраструктуру. Помимо этого, вы будете работать с географическими и поведенческими данными, создавать визуализации и использовать аналитические подходы для поддержки решений в урбанистике и развитии городов.
Мы ждём, что вы
• Работали с большими данными и применяли продвинутую аналитику
• Знаете SQL, Python, BI-инструменты (DataLens, Grafana)
• Понимаете основы ML
• Можете анализировать поведение пользователей и строить метрики взаимодействия с картографическими объектами
Что мы предлагаем
С нами легко развиваться. Если для рабочих задач вам нужно подтянуть язык — организуем обучение и оплатим 50% стоимости. Это не все бонусы — полный список тут https://yandex.ru/jobs/pages/benefits.
#карты#BI#sql#python#аналитика#ML
тг для связи: @koroskotoh