由浅入深介绍机器学习领域的基础知识和基础工具的使用。

注脚

展开查看详情

1.Machine Learning Tutorial Basic introduction

2. Computer Version Nature Language Processing Robotic/Automatic Biology

3.

4.Basic Concept Cross Validation Over Fitting Activation Function Supervised Learning UnSupervised Learning Batch Epoch Layer Train Set Test Set Feature Dimensionality Generalization Maxpooling L1 /L2 Benchmark Baseline

5.Basic Concept

6.Basic Concept

7.Supervised/Unsupervised Learning

8.Supervised Learning

9.Supervised Learning

10.Unsupervised Learning

11.Basic Algorithm K NN K Means Naïve Bayes Decision Tree Gradient Boosting algorithms SVM Random Forest Linear Regression Logistic Regression Dimensionality Reduction Algorithms

12.How do you choose a machine learning algorithm ?

13.How do you choose a machine learning algorithm ?

14.Something Funny In Security 鱼叉式网络钓鱼 生成相似的密码进行攻击 Webshell , XSS,DGA,Malware (since 1994), Tojan 检测 病毒检测绕过 , 生成病毒 去马赛克 生成相似人脸 , 手写签名 聊天机器人 ………

15.Output Input Feature Engineering Data PreProcessing

16.With Python Or R Python and Pythonic ML library Common library

17.With Python Or R Python and Pythonic ML library Common library Don’t fighting language, Pythonic

18.With Python Or R Python and Pythonic ML library Common library Tensorflow Keras Scikit -Learn Pytorch

19.With Python Or R Python and Pythonic ML library Common library Pandas Numpy Scipy Matplotlib Pyplot Ndarray Scikit -image Image

20.R: I forget it ... Easily And Powerful

21.Examples: DGA/XSS/ Webshell MNIST

22.MNIST DGA/XSS/ Webshell

23.Mnist And Fashion- Mnist Pro Beginners Online Demo

24.Algorithm 1 : KNN

25.Principle Wikipedia

26.Principle

27.Code in Python

28.Code in Python

29.Algorithm 2 : SVM

30.Algorithm 2 : SVM

31.Principle 推理论证可来此处看看http://www.cnblogs.com/jerrylead/archive/2011/03/18/1988419.html

32.https://www.zhihu.com/question/21094489

33.Code in Python With Tensorflow

34.Benchmark with Scikit -Learn

35.这种常规算法一般来讲没必要使用 Tensorflow.TF 类的框架都是为神经网络 (NN) 准备的。 CNN,RNN, LSTM, MLP,GAN 等等

36.假装此处放置了一个各种算法在 MNIST 上的精确度列表

37.Other: Apply with Fashion- Mnist ?

38.MNIST DGA/XSS/ Webshell Domain Generation Algorithm Cross Site Scripting Webshell

39.MNIST DGA /XSS/ Webshell

40.MNIST DGA / XSS / Webshell http://prompt.ml/0

41.MNIST DGA / XSS / Webshell Reflected (non-persistent) Persistent Server-side versus DOM-based vulnerabilities Other

42.MNIST DGA/XSS / Webshell

43.MNIST DGA/XSS / Webshell 安全小飞侠的批量上传单个 Webshell AntSword CaiDao / 菜刀

44.MNIST DGA/XSS/ Webshell Natura language processing

45.Algorithm 3 : Naïve Bayes

46.Algorithm 3 : Naïve Bayes

47.https://www.analyticsvidhya.com/blog/2015/09/naive-bayes-explained/ https://stackoverflow.com/questions/10059594/a-simple-explanation-of-naive-bayes-classification#20556654 https://monkeylearn.com/blog/practical-explanation-naive-bayes-classifier/ Principle

48.http://172.16.10.222:8889/notebooks/12.Case_Study-SMS_Spam_Detection.ipynb Scipy-2017-sklearn

49.Other: DGA Top 1 million url

50.Art is Long, Life is short

51. 初学机器学习易陷入一个误区 :  以为机器学习是若干种算法 ( 方法 ) 的堆积 ,  熟练了“十大算法”或“二十大算法”一切即可迎刃而解 ,  于是将目光仅聚焦在具体算法推导和编程实现上 ;  待到实践发现效果不如人意 ,  则又转对机器学习发生怀疑 .  须知 ,  书本上仅能展示有限的典型“套路” , 而现实世界任务千变万化 ,  以有限之套路应对无限之变化 ,  焉有不败!现实中更多时候 ,  需依据任务特点对现有套路进行改造融通 .  算法是“死”的 ,  思想才是“活”的 .  欲行此道 ,  则务须把握算法背后的思想脉络 ,  无论创新科研还是应用实践 ,  皆以此为登堂入室之始 .  本书在有限篇幅中侧重于斯 ,  冀望辅助读者奠造进一步精进的视野心法 .  读者由本书初入门径后 ,  不妨搁书熟习“套路” ,  数月后再阅 ,  于原不经意处或能有新得 .  此外 ,  作者在一些角落融入了自己多年研究实践的些微心得 ,  虽仅只言片语 ,  但可能不易得之 ,  进阶读者阅之或可莞尔 . ----   周志华 《 机器学习 》

52.RoadMap

53.Welcome to Machine Learning

54.关于技术分享 提前做好准备,不仅是分享者还是参与者 本着自由的精神,如无兴趣,可随时离开 Focus 方法论在前,但是也不要只分享思想性的东西,只有经过了实践才能领悟到正确的方法。没有实践 , 全是空谈。分享之前,自己实践过吗? 技术分享面向的是研发,所以听的懂很好,听不懂更好,可以自己去学。不要老是兼顾 , 兼顾到最后失去了分享的意义 , 变成了打发时间的扯淡。 要想技术有提高 , 总要是从不懂到懂得。 每次分享后的知识应得到实践和对实践结果的反馈

55.关于技术分享 1. 例如上上次关于 Dos, 其实 bcrypt 加密算法只接受 8-58 长度,所以不可能产生 DOS 。 2. 上次代码重构的分享中提到了避免继承,但设计模式中的开闭原则 (OCP) 则提倡通过继承,多态等方法避免对原有程序的改动。 Why ?

56.Thanks Design by mour Since 09.07