Créer jeu
Télécharger
Téléchargement SCORM
A utiliser dans un LMS (Moodle, Blackboard...)
Téléchargement régulier
Pour être publié sur un site Web ou un blog.
Le téléchargement du jeu est une fonctionnalité exclusive pour les utilisateurs avec un Plan Académique ou un Plan Commercial.
Obtenez votre Plan Académique ou Plan Commercial dès maintenant et commencez à intégrer vos jeux dans votre LMS, votre site Web ou votre blog.
Obtenir Plan Académique
Si vous le souhaitez, vous pouvez télécharger une jeu de test ici et tester son intégration:
Partager le jeu
Compléter
Compléter

Final Digital

Intégrez-le à votre plateforme
G. Classroom M. Teams
Vous pouvez intégrer le jeu dans un LMS compatible avec LTI 1.1 ou LTI 1.3 comme Canvas, Moodle ou Blackboard. Les scores seront ainsi automatiquement enregistrés dans le carnet de notes de la plateforme.
Télécharger
Vous avez dépassé le nombre maximum de jeux que vous pouvez intégrer à Google Classroom avec votre Plan actuel.

Pour intégrer autant de jeux que vous le souhaitez dans Google Classroom, vous avez besoin d’un Plan Académique ou un Plan Commerciel.

Obtenir Plan Académique
Vous avez dépassé le nombre maximum de jeux que vous pouvez intégrer à Microsoft Teams avec votre Plan actuel.

Pour intégrer autant de jeux que vous le souhaitez dans Microsoft Teams, vous avez besoin d’un Plan Académique ou un Plan Commerciel.

Obtenir Plan Académique
Le téléchargement du jeu est une fonctionnalité exclusive pour les utilisateurs avec un Plan Académique ou un Plan Commercial.

Obtenez votre Plan Académique ou Plan Commercial dès maintenant et commencez à intégrer vos jeux dans votre LMS, votre site Web ou votre blog.

Si vous le souhaitez, vous pouvez télécharger une jeu de test ici et tester son intégration:

Obtenir Plan Académique

Final Digital

Compléter

Parties jouées 1 %Précision 100 Temps moyen 01:47
Créer une copie

À propos de cette activité

Final Digital

Créé par

Ali
Ali
Bahrain

Téléchargez la version pour jouer sur papier

Créez votre propre jeu gratuite à partir de notre créateur de jeu
Affrontez vos amis pour voir qui obtient le meilleur score dans ce jeu
Créer un défi

Top Jeux

 %
Anonyme
Anonyme
 %
%
%
Vous avez dépassé le nombre maximum de jeux que vous pouvez imprimer avec votre Plan actuel.

Pour imprimer autant de jeux que vous le souhaitez, vous avez besoin d’un Plan Académique ou un Plan Commerciel.

Obtenir Plan Académique
Imprimez votre jeu
Final Digital
 

Compléter

Final DigitalVersion en ligne

Final Digital

par Ali
1

import as tf
import time

# Create large matrices for comparison
matrix1 = tf . random . normal ( [ 10000 , 10000 ] ) # 10000x10000 matrix
matrix2 = tf . random . normal ( [ 10000 , 10000 ] ) # 10000x10000 matrix

# Perform matrix multiplication on GPU
start_time = time . time ( )
with tf . device ( ' / GPU : 0' ) :
result_gpu = tf . ( matrix1 , matrix2 )
gpu_time = time . time ( ) - start_time
print ( " Time taken on GPU : " , , " seconds " )

# Perform matrix multiplication on CPU
start_time = time . time ( )
with tf . device ( ' / CPU : 0' ) :
result_cpu = tf . ( matrix1 , matrix2 )
cpu_time = time . time ( ) - start_time
print ( " Time taken on CPU : " , cpu_time , " seconds " )

# Compare performance
print ( " GPU is " , cpu_time / gpu_time , " times faster than CPU ! " )

2

import numpy as

# Packet sizes in bytes captured
packet_sizes = np . ( [ 1500 , 64 , 120 , 1500 , 80 , 1500 , 64 , 1000 , 1500 , 64 ] )


average_packet_size = np . ( packet_sizes )
print ( f " Average packet size : { average_packet_size } bytes " )

# Find the maximum packet size
max_packet_size = np . ( packet_sizes )
print ( f " Maximum packet size : { max_packet_size } bytes " )

# Count the number of large packets
large_packet_threshold =
num_large_packets = np . ( > )
print ( f " Number of large packets : { num_large_packets } " )

# Calculate the percentage of large packets
percentage_large_packets = ( num_large_packets / ( packet_sizes ) ) *
print ( f " Percentage of large packets : { percentage_large_packets : . 2f } % " )

# Example of filtering : Get sizes of small packets ( e . g . , less than 100 bytes )
small_packets = packet_sizes [ packet_sizes < 100 ]
print ( f " Sizes of small packets : { small_packets } " )

# Example of element - wise operation : Add a constant overhead to each packet size
overhead = 20 # Example overhead in bytes
packet_sizes_with_overhead = packet_sizes + overhead
print ( f " Packet sizes with overhead : { packet_sizes_with_overhead } " )

# Detecting anomalies
# Calculate the standard deviation of packet sizes
std_dev = np . ( packet_sizes )

# Define a threshold for anomaly detection
anomaly_threshold = 2 * std_dev

# Find packets with sizes that deviate significantly from the mean
anomalous_packets = packet_sizes [ np . abs ( packet_sizes - average_packet_size ) > anomaly_threshold ]
print ( f " Potentially anomalous packet sizes : { anomalous_packets } " )

3

import as

df = . ( 'dataset1 . csv' )

print ( " First 5 rows : \ n " , df . ( ) )

print ( " Summary Statistics : \ n " , df . ( ) )

print ( " Features : \ n " , df . ( ) )

4

from sklearn . import train_test_split
from sklearn . import RandomForestClassifier from sklearn . import accuracy_score

X = [ [ 0 , 0 ] , [ 1 , 1 ] , [ 2 , 2 ] , [ 3 , 3 ] ]
y = [ 0 , 0 , 1 , 1 ] # 0 : benign , 1 : malicious

X_train , X_test , y_train , y_test = train_test_split ( X , y , test_size = 0 . 25 , random_state = 42 )

model = RandomForestClassifier ( )
model . fit ( X_train , y_train )

# Predict and evaluate
y_pred = model . predict ( X_test )
print ( " Accuracy : " , accuracy_score ( y_test , y_pred ) )

 
Voulez-vous vraiment quitter la page ?

En quittant la page, vous perdrez la progression du jeu.