Mozillaの「Thunderbird」や、macOSおよびiOSに標準搭載の「Apple Mail.app」など、多数のメールクライアントにおいて、受信されたメールの送信元を詐称することが可能な脆弱性「Mailsploit」が5日、公開されました。日本語の情報がまだ出回っていないため、自分用のメモも兼ねてまとめました。 — 今回発覚したこの脆弱性の影響を受けるメールクライアントは非常に多く、先述の「Thunderbird」「Apple Mail.app」だけでなく、Microsoftの「メール」アプリ、「Outlook 2016」、Webメールでは「Yahoo!メール（英語版）」など、世界中でリリースされているほぼ全てのメールクライアントが該当しています。 Mailsploitのサイトでは、実際にそのデモを試すことができます。 Mailsploitのデモ 送信先の欄に自分のメールアドレ

この記事は、日曜数学アドベントカレンダー７日目の記事です。記事のテーマも７だしいい感じ。偶然だけど。 ......。 ............。 えっルービックキューブ難しくない？　みんな頭いいね？ ほんとは６面揃ってる画像載せて「ルービックキューブ買ってきたよ〜よっしゃ〜解くぞ〜！」からの「えっ難しくない？」って流れにしたかったんだけど、一度崩してしまったが最後二度と６面揃った画像が手に入らなくなったので残念ながらボツになりました。悲しいね。 大きいルービックキューブ ときおり「巨大なルービックキューブ」が話題になることがあります。13×13×13とか。こんなやつです。 （画像はtriboxストアさんより引用。以下同じ） いかついですね。もう少し太刀打ちできそうな範囲では7×7×7とかもあります。 （引用元：http://store.tribox.com/products/detail.

残業の削減など働き方改革に取り組む企業が増えていますが、小型の無人機「ドローン」がオフィスの中を飛んでカメラで撮影し、残業している社員に早く退社するよう呼びかけるサービスが始まることになりました。 サービスを始めるのは警備会社の「大成」や「ＮＴＴ東日本」、それにドローンのベンチャー企業「ブルーイノベーション」で、７日都内で記者会見し、ドローンをどのように飛ばすのか公開しました。 ドローンは退勤時刻になると自動で離陸し、「蛍の光」の曲を流しながらオフィスの通路の上を飛び、残業している社員に早く退社するよう呼びかけます。 ドローンは、カメラでオフィスを撮影してすぐに送信し、離れた場所にあるパソコンで誰が残業しているか確かめることができます。 今後はＡＩ＝人工知能で、誰が残業しているか自動で検知するシステムも導入を検討しています。 ドローンはオフィス内に置いた発信器との距離をたよりにどこを飛んで

Railsではバリデーション(Validation)という仕組みがあります。 フォームなどでユーザーからの入力値をDBに保存する前にその値が正しいものかモデル層で（システムとして許可している値か）を検証する仕組みです。 バリデーションの基本的な流れ、バリデーションの定義とバリデーションのテスト方法、バリデーションのスキップなどのバリデーションの基本についてまとめました。 動作確認 Rails 4.1 ActiveRecord 4.1 shoulda-matchers 2.6.3 目次 1. Railsでのバリデーションの流れ 2. バリデーションを定義する 2.1. 存在チェック(presence) 2.2. 一意性（ユニーク制約）のチェック(uniqueness) 2.3. 長さのチェック(length) 2.4. フォーマットのチェック(format) 2.5. 数値の値チェック(nu

SWETの薦田（@toshiya-komoda）です。 今回は第3回目の記事で言及させていただいた機械学習とUIテストに関して実験的に進めている技術開発について紹介させていただこうと思います。 この記事で紹介している内容の実装はGitHubにアップロードしていますので、もし興味がある方はこちらも覗いてみていただければと思います。 こちらはTensorFlow Advent Calender 2017第７日目の記事にもなっています。機械学習の実装の中でKerasを用いてます。 とりあえずデモ 最初に以下のデモ動画をご覧いただきたいです。会員登録フォームに対する自動テストのデモです。各入力欄に適切な情報を入力しつつ、パスワード欄にだけ'weak'という不正なパスワード文字列を入力して、バリデーションで弾かれることを確認するテストです。デモでは入力欄に値を埋める部分を、Chrome Extens

本記事はFringe81 アドベントカレンダー2017の6日目の投稿です。 こんにちは。Fringe81データサイエンティストの貫井です。 今年9月まではプライベートでやっていた競馬AIの開発を専業としており、10月からFringe81に正式ジョインしました。 業務では主に広告配信ロジックの最適化を取り組んでいます。 2017/10/30まで開催されていたDeepAnalytics主催のレコメンドエンジン作成コンテストに参加し、見事優勝することができました！ 今回はそのコンペ参加の取り組みについて紹介します。 ▽DeepAnalyticsについて 参加の背景 これまで自分は機械学習を競馬予測以外のタスクで試した経験がほぼなく、10月からの業務でどれくらいやれるのか一抹の不安を抱えていました。 そんなとき、データ分析チームの先輩社員から本コンペの参加を勧められ、腕試しのためにまずやってみよう

DeepMindからAlphaGo Zeroと同じ方法で、チェスと将棋でトップレベルを上回ったという論文が発表されました。 [1712.01815] Mastering Chess and Shogi by Self-Play with a General Reinforcement Learning Algorithm ドメイン知識を用いないスクラッチから強化学習のみで達成しています。 将棋やチェスはモンテカルロ木探索(MCTS)は向かず、Mini-Max探索の方が良いというのが常識のようになっていましたが、将棋やチェスでもディープラーニングと組み合わせることでMCTSが有効であることが示されたというのも大きな成果だと思います。 まだ全部読み切れていませんが、気になる個所から読んだ内容を書いていきます。 個人的に一番気になるのは、入力特徴と出力ラベルの表現方法です。 チェスについても書か