Crear
Descargar
Descarga SCORM
Para ser utilizado en un LMS (Moodle, Blackboard...)
Descarga normal
Para ser publicada en una web o blog.
La descarga de juegos es una característica exclusiva para usuarios con un Plan Académico o un Plan Comercial.
Obtén ahora tu Plan Académico o Comercial y comienza a integrar tus juegos en tu LMS, web o blog.
Obtener Plan Académico
Si lo deseas, puedes descargar un juego de prueba aquí y probar su integración:
Compartir juego
Completar Frases
Completar Frases

Final Digital

Intégralo en tu plataforma
G. Classroom M. Teams
Puedes integrar el juego en un LMS compatible con LTI 1.1 o LTI 1.3 como Canvas, Moodle, o Blackboard. De esta manera podrás guardar las puntuaciones automáticamente en el libro de calificaciones de esa plataforma.
Descargar
Has superado el número máximo de juegos que puedes integrar en Google Classroom con tu Plan actual.

Para integrar tantos juegos como quieras en Google Classroom, necesitas un Plan Académico o un Plan Comercial.

Obtener Plan Académico
Has superado el número máximo de juegos que puedes integrar en Microsoft Teams con tu Plan actual.

Para integrar tantos juegos como quieras en Microsoft Teams, necesitas un Plan Académico o un Plan Comercial.

Obtener Plan Académico
La descarga de juegos es una característica exclusiva para usuarios con un Plan Académico o un Plan Comercial.

Obtén ahora tu Plan Académico o Comercial y comienza a integrar tus juegos en tu LMS, web o blog.

Si lo deseas, puedes descargar un juego de prueba aquí y probar su integración:

Obtener Plan Académico

Final Digital

Completar Frases

Jugadas 1 %Acierto 100 Tiempo medio 01:47
Crear copia

Sobre esta actividad

Final Digital

Creada por

Ali
Ali
Bahréin

Descarga la versión para jugar en papel

Crea tu propio juego gratis desde nuestro creador de juegos
Compite contra tus amigos para ver quien consigue la mejor puntuación en esta actividad
Crear reto

Top juegos

 %
Anónimo
Anónimo
 %
%
%
Has superado el número máximo de juegos que puedes imprimir con tu Plan actual.

Para imprimir tantos juegos como quieras, necesitas un Plan Académico o un Plan Comercial.

Obtener Plan Académico
Imprime tu juego
Final Digital
 

Completar Frases

Final DigitalVersión en línea

Final Digital

por 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 ) )

 
¿Estás seguro que quieres abandonar la página?

Al abandonar la página perderás el progreso del juego.