El artículo se ve muy interesante, pero los enlaces están caídos.

DESCRIPCIÓN
Registro de todos los eventos publicados en Troomes hasta el 24 de septiembre. También se registró todas las veces en las que los usuarios atendían eventos. El objetivo de estos datasets es el de contribuir al desarrollo de un sistema recomendador de eventos para Troomes.com.

ATRIBUTOS
dataEventos2409.csv
event_id: ID único para cada evento.
user_id: ID único para cada usuario (por razones de privacidad, los registros fueron modificados).
time_stamp: Tiempo de inicio del evento. Esta información esta cifrada.
time_zone: Se indica la zona hora utilizada para indicar la hora.
hour: La hora de inicio del evento. No se indican los minnutos.
minute: Se precisa el minuto de inicio en que empieza el evento.
day: Dia del evento.
day_string: Se indica el nombre del día de la semana en el que el evento sucederá
month: Número del mes en el que el evento sucedera.
month_string: Nombre del mes en el que el evento sucedera.
year: Año en el que el evento sucederá
annual: Se indica si el evento sucede anualmente. Si no es así, toma el valor de 0.
title: Nombre que se le asignó al evento.
information: Información detallada sobre en que consistirá el evento. Un mayor análisis de este registro podría dar mayor información del evento.
country_id: Toma 2 valores, 1 cuando el país fue registrado y 0 cuando no fue así
country_string: El nombre del país en el que sucederá dicho evento. Si es ONLINE, se indica esto.
city: Ciudad en la que sucederá el evento.
full_address: Dirección detallada del lugar en el que sucederá el evento.
key_words: Palabras clave sobre el evento.
organizer: Se indica el nombre de la institución u organización que lleva a cabo el evento.
category: Si se le asignó una categoría al evento, se le asigna el valor de 1, sino es así, se le asigna 0
category_string: Se indica en que categoría está ubicado el evento.
hour_end: Hora de finalización del evento. No se precisa el tiempo en minutos.
minute_end: Se indican los minutos correspondientes a la finalización del evento.
time_stamp_end: Tiempo de finalización del evento. Esta información esta cifrada.
event_tip: Se indica que tipo de evento se realizará. Información obtenida de la columna "Information".
event_exp: Se indica el nombre del expositor del evento, si se alcanza a indicar uno (requiere mejoras). Información obtenida de la columna "Information".
event_fb: Se indica si el evento fue asociado a una enlace de evento en Facebook. Información obtenida de la columna "Information".

event_calendar_atender_2409.csv
attend_id: ID del registro. Corresponde a cada registro de atención de evento.
event_id: ID único para cada evento.
user_id: ID único para cada usuario (por razones de privacidad, los registros fueron modificados).
time_stamp: Tiempo de inicio del evento. Esta información esta cifrada.
year: Año en el que el evento sucederá.
annual: Se indica si el evento sucede anualmente. Si no es así, toma el valor de 0.
title: Nombre que se le asignó al evento.

DATOS:
Se adjunta un archivo comprimido RAR que incluye:
379 KB - dataEventos2409.csv - Base de datos de eventos de Troomes
6.34 KB - event_calendar_atender_2409.csv- Registro de todas las veces que se atendió un evento.

FUENTE:
https://github.com/hamedportillo/Sistem ... ree/master
https://www.troomes.com/

Otro ejemplo sería la película futurista "Sentencia previa", protagonizada por Tom Cruise. Si bien en el film se habla de individuos con la capacidad de predecir el futuro que hacen de jueces, esto podría ser posible con la abundante información recopilada en ciudades inteligentes del mañana y con una inteligencia artificial increíblemente potente.
Pd: Psycho Pass plantea cuestiones filosóficas que tal vez sean necesarias ha considerar para la sociedad del futuro. Un anime muy recomendado.

Curioso y divertido artículo. Si nos ponemos a pensar en como la IA cada vez más influye en cosas tan simples de nuestra vida como hasta lo que acabaremos tomando en una reunión, realmente preocupa la dependencia que estamos desarrollando. El siguiente artículo profundiza en ese dilema. https://humanefutureofwork.com/automation-the-endgame/

DESCRIPCION
Este conjunto de datos contiene información sobre las preferencias de los usuarios de 73,516 usuarios en 12,294 anime (información recopilada hasta el año 2016 en MyAnimelist.net). Cada usuario puede agregar anime a su lista completa y darle una calificación y este conjunto de datos es una compilación de esas calificaciones.

ATRIBUTOS
Anime.csv
anime_id: identificación única de myanimelist.net que identifica un anime.
name: nombre completo del anime.
genre: lista de géneros separados por comas para este anime.
type: película, TV, OVA, etc.
episodes : cuántos episodios de este programa. (1 si es una película).
rating : calificación promedio de 10 para este anime.
members : número de miembros de la comunidad que están en el "grupo" de este anime.

Rating.csv
user_id: ID de usuario generado aleatoriamente no identificable.
anime_id: el anime que este usuario ha calificado.
rating: calificación de 10 que este usuario ha asignado (-1 si el usuario lo vio pero no asignó una calificación).

DATOS:
Se adjunta un archivo comprimido ZIP que incluye:
914.51 KB - anime.csv - Base de datos de animes
106.24 MB - rating.csv- Base de datos de rating dado a distintos animes por usuarios de MyAnimelist.net

FUENTE:
https://www.kaggle.com/CooperUnion/anim ... s-database
MyAnimelist.net

Artículo para la lectura:
https://ieeexplore.ieee.org/document/9020140

La importancia de Internet de los drones (IoD) está aumentando de manera constante y ahora IoD se practica en muchas aplicaciones militares y civiles. IoD facilita el acceso a datos en tiempo real a los usuarios, especialmente a los datos de vigilancia en ciudades inteligentes que utilizan las redes celulares actuales. Sin embargo, debido a la apertura del canal de comunicación y las operaciones de la batería, los drones y los datos confidenciales recopilados a través de ellos están sujetos a muchas amenazas de seguridad. Recientemente, Srinivas. propuso un esquema de autenticación ligero anónimo basado en credenciales temporales (TCALAS) para redes IoD. El esquema puede funcionar solo cuando hay un solo clúster / zona de vuelo y más importante aún, no es escalable. Además, no puede resistir la trazabilidad y los ataques de verificadores robados.


El esquema propuesto, iTCALAS, mientras mantiene la ligereza, proporciona seguridad contra muchos ataques conocidos, incluida la trazabilidad y el verificador robado. La propuesta iTCALAS amplía la escalabilidad y puede funcionar cuando hay varias zonas / clústeres en vuelo en el entorno de IoD. La prueba de seguridad formal junto con la verificación automatizada utilizando ProVerif muestran la solidez de la propuesta iTCALAS. Además, la discusión sobre seguridad y las comparaciones de desempeño muestran que el iTCALAS proporciona las funciones de seguridad conocidas y completa la autenticación en solo 2.295 ms.


El esquema de autenticación ligero anónimo basado en credenciales temporales mejorado (iTCALAS) se propone en este documento. Pese a ser un esquema de autentificación superior, sigue la misma estructura de muchas otras propuestas que el artículo detalla en explicar, analizando ventajas y desventajas. Las fases típicas en un esquema de autentificación, por lo que también forman parte de iTCALAS, son las siguientes:

• Fase de despliegue

• Fase de registro de usuario

• Fase de inicio de sesión y autentificación

• Fase de revocación y registro de usuario

• Fase de adición de drones remotos dinámicos

La seguridad de iTCALAS se prueba a través de métodos formales, informales y automatizados. Los resultados obtenidos en comparación de otros esquemas de autentificación son los siguientes:


Los datos de vigilancia son importantes y de naturaleza sensible y, entre otros métodos, los drones pueden ser muy útiles para obtener dichos datos de lugares inaccesibles como sitios de incendios, campos de batalla y picos de montañas, etc. Sin embargo, debido al canal abierto subyacente, esto Los datos, así como los drones, se pueden utilizar con malas intenciones. En este documento, examinamos un esquema de autenticación reciente para proteger el acceso de drones por parte de usuarios no autorizados. Para asegurar la vigilancia y los drones, presentamos un esquema mejorado que utiliza solo operaciones de cifrado / descifrado simétrico y hash de peso ligero. Si bien proporciona todas las características de seguridad y resistencia contra muchos ataques conocidos, el esquema propuesto completa el proceso de autenticación con el mismo tiempo de cálculo que el esquema de Srinivas et al. Por lo tanto, el esquema propuesto en el artículo es el más adecuado para asegurar los datos de vigilancia comunicados a través de drones.

Autores
Zeeshan Ali
Shehzad Ashraf Chaudhry
Muhammad Sher Ramzan
Fadi Al-Turjman

IEEE Access 8 (2020): 43711-43724.

Fuente:
https://doi.org/10.1109/ACCESS.2020.2977817

Recientemente, se han filtrado comprometedores memorandos en una empleada recientemente despedida de la red social de Facebook. Este afirma que Facebook tenía conocimiento y pese a esto ignoró o actuó lentamente en tomar medidas contra cuentas falsas que estaban relacionadas con elecciones y otros asuntos políticos de índole mundial.

Este memorando de 6.600 palabras escrito por la ex científica de datos de Facebook Sophie Zhang está lleno de ejemplos específicos de jefes de gobierno y líderes de partidos de Azerbaiyán y Honduras que utilizan cuentas o declaraciones falsas para influir en la opinión pública. En países como India, Ucrania, España, Brasil, Bolivia y Ecuador, encontró evidencia de campañas conjuntas de todos los tamaños para promover u obstaculizar resultados políticos o candidatos, aunque no siempre concluye quién está detrás.

Su perfil de LinkedIn decía que ella “trabajaba como científica de datos en el equipo de interacción falsa de integridad del sitio de Facebook” y que había manejado bots que influyen en las elecciones, etc.

Afirma que son innumerables las veces tomó medidas para implementar la ley en tantas figuras políticas prominentes en todo el mundo. El memorando es un relato condenatorio de los errores de la red social. Facebook ha renunciado a la responsabilidad por actividades maliciosas en su plataforma, que pueden afectar el destino político de países fuera de Estados Unidos o Europa Occidental. También es la historia de un empleado subalterno que ejerce extraordinarios poderes de moderación que afectó a millones de personas sin ningún apoyo institucional real, y el tormento personal que siguió.

Algunos de estos son los hechos más graves expuestos por el memorando de memorando de Zhang:

• Los líderes de Facebook tardaron nueve meses en actuar y coordinar acciones para utilizar miles de activos falsos para presionar al presidente hondureño, Juan Orlando Hernández (Juan Orlando Hernández), a engañar al pueblo hondureño a gran escala. Dos semanas después de que Facebook reprimiera a los perpetradores en julio, regresaron. Hasta su último día en la empresa, luchará contra esta conspiración.

• Zhang descubrió en Azerbaiyán que el partido gobernante “utilizó miles de activos falsos para hostigar a la oposición”. Un año después de que Zhang lo informara, Facebook comenzó a investigar el tema. La investigación sigue en curso.

• Zhang y sus colegas eliminaron 10,5 millones de reacciones falsas y fanáticos de políticos de alto perfil en Brasil y Estados Unidos en las elecciones de 2018.

• En febrero de 2019, un investigador de la OTAN informó a Facebook que "había obtenido actividad rusa no auténtica sobre una figura política estadounidense de alto perfil que no detectamos". Zhang eliminó la actividad, antes de que estallara un escándalo mediático por el descuido.

• Se encontró en Ucrania actividad sospechosa en época de elecciones. Todo indica que no estaba relacionada al actual presidente, Volodymyr Zelensky, y sus partidarios, sino a la oposición, liderada por Yulia Tymoshenko. Es un alivio saber que esta campaña no fue exitosa.

• Zhang descubrió actividad no auténtica, terminología laboral interna en Facebook para la participación de bots y usuarios con actividad coordinado, en Bolivia y Ecuador, pero eligió no priorizarla debido a su carga de trabajo. Lo siguiente que supo fue que Evo Morales era derrocado y que cientos de personas murieron en protestas por las crisis políticas de estos países.

• Después de darse cuenta de la manipulación coordinada en la página de Facebook del Ministerio de Salud español durante la pandemia de COVID-19, Zhang ayudó a encontrar y eliminar 672.000 cuentas falsas con comportamiento similar en muchos otros países, incluso en los EE. UU.

• Otro caso dramático es el de la India, donde se alcanzó a identificar una enorme red de más de mil usuarios que, trabajando en coordinación, buscaban influir en las elecciones locales de Delhi. Pese a que esto fue identificado allá por febrero del presente año, la red social nunca hizo público este hecho, aun cuando consiguió acabar con la red exitosamente.

Evidentemente, concentrar tanto poder pese a ser solo una empleada media, terminó pasando factura a su salud. Y es que es innegable el compromiso de Zhang, pero sencillamente la carga laboral era tan abrumadora que muchos de estos casos escapaban de sus manos.

Facebook afirma que lucha contra el comportamiento no auténtico coordinado es nuestra prioridad, pero también le preocupa abordar los problemas del spam y la participación falsa. Antes de tomar medidas o salir y emitir públicamente una declaración de la empresa, dicen estudiar cuidadosamente cada tema, incluidos los planteados por la Sra. Zhang. Puede que lo hagan demasiado cuidadosamente, de otra forma no se explica esos prolongados tiempos de respuesta.

Estos hechos no hacen más que poner en evidencia el excesivo poder que está concentrando Facebook y la incapacidad que tiene la compañía para poder gestionar uno de los principales males de las redes sociales luego de las Fake News, las cuentas falsas y el uso de estas para influenciar en el clima político de diversos países alrededor del mundo.

Fuente:
Artículo de BuzzFeedNews: https://www.buzzfeednews.com/amphtml/cr ... sion=truer

No es la primera evidencia de sexismo o racismo en los modelos de Machine Learning . Comparto este interesante artículo relacionado al tema: https://www.theguardian.com/technology/ ... ch-reveals

Al nivel de Harvard dicen

El siguiente enlace también muestra un repositorio de webs maliciosas y benignas también útil: https://data.mendeley.com/datasets/gdx3pkwp47/2
Tomar en cuenta que contiene casi un GB de peso.