Нотатка для себе. UPS, NUT. Ubuntu (Proxmox VE, Proxmox Backup), FreeBSD, Windows

UPS CyberPower CP 1500C - USB connection

В материнці підключати до портів USB що не є версією 3.0 і вище.

USB 3.0 - Error

USB 2.0 - OK

Note. Restore the old physical server by moving it to a virtual machine on the Proxmox VE. Creating an iSCSI disk and mounting it at boot. FreeBSD 9.0.

Примітка. Відновлення старого фізичного сервера, перемістивши його на віртуальну машину на Proxmox VE. Створення iSCSI диску та його монтування при завантажені операційної системи. FreeBSD 9.0.

Історія

Основне правило адміністратора, працює не чіпай. Призводить то того що рано чи пізно це вилазить боком. На кшталт не можеш нічого оновити та встановити.

Тому мені історично діставався цей сервер котрий треба перемістити до віртуального середовища поки "/raid1" масив ще працює після нового його збою, але варто зауважити міцний горішок.

Є декілька способів як перемістити систему з фізичного до віртуального. Але я не хотів переносити усі накопиченні проблеми, і вирішив перенести все окрім ядра та базової системи використовуючи    rsync.

FreeBSD 14. Mail server POSTFIX and mariadb-client instead of mysql-client

Маю операційну систему FreeBSD 14.1-RELEASE у віртуальному середовищі Proxmox VE. 

Щойно оновив поштовий сервер з FreeBSD 13.1-RELEASE, і з'ясувалося що я не можу тепер встановити POSTFIX та mariadb-client одночасно, як це було раніше. Тому це нотатка мені як я  розв'язав цю проблему, щоб не наступати на ті самі граблі двічі.

Коли встановлено у Вас mariadb-server та mariadb-client на одному сервері, то при встановленні поштового сервера postfix як пакунок через pkg install postfix-mysql, або з портів з опцією MySQL.

postfix freebsd port, mysql option

 Вам буде пропоновано видалити mariadb-server та mariadb-client і встановити mysql-client.

Note. Resize UFS Disk

OS: FreeBSD.
Disk: GPT, UFS. 

Proxmox increase live disk of VM.

gpart commit vtbd1
gpart show vtbd1
gpart resize -i 1 vtbd1
gpart show vtbd1
df -h
growfs /dev/gpt/cloud-data
df -h

Codefinity. Mastered all the "Foundations of Machine Learning" specialization courses.

The track provides an introduction to the essential concepts and techniques in the field of machine learning. 

This comprehensive learning journey covers various crucial topics, including the utilization of scikit-learn library for machine learning initiation, the application of Linear Regression for predictive modeling, exploration of Classification methods for categorizing data, and the study of Clustering algorithms to discover inherent patterns within datasets. 

By engaging with this track, learners will acquire a solid understanding of fundamental machine learning principles, enabling them to build predictive and analytical models across diverse domains.

8 courses

Syllabus

1. ML Introduction with scikit-learn
   
2. Linear Regression with Python
3. Classification with Python
4. Identifying Spam Emails (Project)
5. Cluster Analysis
6. Clustering Demystified (Project)
7. Ensemble Learning
8. Logistic Regression Mastering (Project)
   

Foundations of Machine Learning

 

Codefinity. Project - Logistic Regression Mastering

Project Logistic Regression Mastering to track Foundations of Machine Learning.

In this project, we are going to understand the career tracks of Data Scientists.

Author: Edoardo Cantagallo

Logistic Regression Mastering

Codefinity. Course Ensemble Learning

Ensemble Learning is an advanced machine learning technique that combines multiple models to improve overall predictive performance and decision-making when solving real-life tasks. 

Author: Ruslan Shudra

Let's summarize and highlight the main information covered in the course.

Ensemble learning in machine learning is a technique that combines the predictions of multiple individual models (learners) to produce a more robust and accurate prediction or classification. It leverages the principle that by aggregating the opinions of multiple models, you can often achieve better results than relying on a single model.
There are three commonly used techniques for creating ensembles: bagging, boosting, and stacking.

Ensemble Learning

 

Codefinity. Project - Clustering Demystified

Project Clustering Demystified to track Foundations of Machine Learning.

In this project, we are going to understand what a cluster is and how to use it in Python.

Author: Edoardo Cantagallo

Clustering Demystified

 

Codefinity. Course Cluster Analysis.

Course Classification with Python of track Foundations of Machine Learning.

Clustering is one of the fundamental machine learning techniques that allows you to solve many complex problems in real life: market segmentation, anomaly detection, dimensionality reduction, revealing hidden patterns, etc.

Author: Ruslan Shudra

Cluster Analysis