簡體網頁||繁體網頁

☆☆☆☆☆

圖書標籤:

• Web安全
• 深度學習
• 機器學習
• 實戰
• 入門
• 白話深度學習
• 網絡安全
• Python
• 數據分析
• 人工智能

店鋪： 藍墨水圖書專營店

齣版社： 機械工業齣版社

ISBN：9787111584476

商品編碼：21137340529

齣版時間：2017-12-01

3冊 Web安全之深度學習實戰+機器學習入門+白話深度學習與TensorFlow

YL12188 9787111584476 9787111576426 9787111574576

基本信息

作者： 劉焱   

叢書名： 智能係統與技術叢書

齣版社：機械工業齣版社

ISBN：9787111584476

上架時間：2017-12-1

齣版日期：2018 年1月

開本：16開

版次：1-1

目錄

對本書的贊譽 
序 
前言 
第1章 打造深度學習工具箱1
1.1 TensorFlow1
1.1.1 安裝1
1.1.2 使用舉例3
1.2 TFLearn3
1.3 PaddlePaddle4
1.3.1 安裝5
1.3.2 使用舉例6
1.4 Karas7
1.5 本章小結9
第2章 捲積神經網絡10
2.1 傳統的圖像分類算法10
2.2 基於CNN的圖像分類算法11
2.2.1 局部連接11
2.2.2 參數共享13
2.2.3 池化15
2.2.4 典型的CNN結構及實現16
2.2.5 AlexNet的結構及實現19
2.2.6 VGG的結構及實現24
2.3 基於CNN的文本處理29
2.3.1 典型的CNN結構30
2.3.2 典型的CNN代碼實現30
2.4 本章小結32
第3章 循環神經網絡33
3.1 循環神經算法概述34
3.2 單嚮循環神經網絡結構與實現36
3.3 雙嚮循環神經網絡結構與實現38
3.4 循環神經網絡在序列分類的應用41
3.5 循環神經網絡在序列生成的應用42
3.6 循環神經網絡在序列標記的應用43
3.7 循環神經網絡在序列翻譯的應用44
3.8 本章小結46
第4章 基於OpenSOC的機器學習框架47
4.1 OpenSOC框架47
4.2 數據源係統48
4.3 數據收集層53
4.4 消息係統層57
4.5 實時處理層60
4.6 存儲層62
4.6.1 HDFS62
4.6.2 HBase64
4.6.3 Elasticsearch65
4.7 分析處理層66
4.8 計算係統67
4.9 實戰演練72
4.10 本章小結77
第5章 驗證碼識彆78
5.1 數據集79
5.2 特徵提取80
5.3 模型訓練與驗證81
5.3.1 K近鄰算法81
5.3.2 支持嚮量機算法81
5.3.3 深度學習算法之MLP82
5.3.4 深度學習算法之CNN83
5.4 本章小結87
第6章 垃圾郵件識彆88
6.1 數據集89
6.2 特徵提取90
6.2.1 詞袋模型90
6.2.2 TF-IDF模型93
6.2.3 詞匯錶模型95
6.3 模型訓練與驗證97
6.3.1 樸素貝葉斯算法97
6.3.2 支持嚮量機算法100
6.3.3 深度學習算法之MLP101
6.3.4 深度學習算法之CNN102
6.3.5 深度學習算法之RNN106
6.4 本章小結108
第7章 負麵評論識彆109
7.1 數據集110
7.2 特徵提取112
7.2.1 詞袋和TF-IDF模型112
7.2.2 詞匯錶模型114
7.2.3 Word2Vec模型和Doc2Vec模型115
7.3 模型訓練與驗證119
7.3.1 樸素貝葉斯算法119
7.3.2 支持嚮量機算法122
7.3.3 深度學習算法之MLP123
7.3.4 深度學習算法之CNN124
7.4 本章小結127
第8章 騷擾短信識彆128
8.1 數據集129
8.2 特徵提取130
8.2.1 詞袋和TF-IDF模型130
8.2.2 詞匯錶模型131
8.2.3 Word2Vec模型和Doc2Vec模型132
8.3 模型訓練與驗證134
8.3.1 樸素貝葉斯算法134
8.3.2 支持嚮量機算法136
8.3.3 XGBoost算法137
8.3.4 深度學習算法之MLP140
8.4 本章小結141
第9章 Linux後門檢測142
9.1 數據集142
9.2 特徵提取144
9.3 模型訓練與驗證145
9.3.1 樸素貝葉斯算法145
9.3.2 XGBoost算法146
9.3.3 深度學習算法之多層感知機148
9.4 本章小結149
第10章 用戶行為分析與惡意行為檢測150
10.1 數據集151
10.2 特徵提取152
10.2.1 詞袋和TF-IDF模型152
10.2.2 詞袋和N-Gram模型154
10.2.3 詞匯錶模型155
10.3 模型訓練與驗證156
10.3.1 樸素貝葉斯算法156
10.3.2 XGBoost算法157
10.3.3 隱式馬爾可夫算法159
10.3.4 深度學習算法之MLP164
10.4 本章小結166
第11章 WebShell檢測167
11.1 數據集168
11.1.1 WordPress168
11.1.2 PHPCMS170
11.1.3 phpMyAdmin170
11.1.4 Smarty171
11.1.5 Yii171
11.2 特徵提取172
11.2.1 詞袋和TF-IDF模型172
11.2.2 opcode和N-Gram模型174
11.2.3 opcode調用序列模型180
11.3 模型訓練與驗證181
11.3.1 樸素貝葉斯算法181
11.3.2 深度學習算法之MLP182
11.3.3 深度學習算法之CNN184
11.4 本章小結188
第12章 智能掃描器189
12.1 自動生成XSS攻擊載荷190
12.1.1 數據集190
12.1.2 特徵提取194
12.1.3 模型訓練與驗證195
12.2 自動識彆登錄界麵198
12.2.1 數據集198
12.2.2 特徵提取199
12.2.3 模型訓練與驗證201
12.3 本章小結203
第13章 DGA域名識彆204
13.1 數據集206
13.2 特徵提取207
13.2.1 N-Gram模型207
13.2.2 統計特徵模型208
13.2.3 字符序列模型210
13.3 模型訓練與驗證210
13.3.1 樸素貝葉斯算法210..

叢書名： 智能係統與技術叢書

 

齣版社：機械工業齣版社

 

ISBN：9787111576426

 

定價 79元

 

齣版日期：2017 年8月

 

開本：16開

 

版次：1-1

 

所屬分類：計算機

 

目錄

 

對本書的贊譽

 

序一 

 

序二 

 

序三 

 

前言 

 

第1章 通嚮智能安全的旅程 1

 

1.1 人工智能、機器學習與深度學習 1

 

1.2 人工智能的發展 2

 

1.3 國內外網絡安全形勢 3

 

1.4 人工智能在安全領域的應用 5

 

1.5 算法和數據的辯證關係 9

 

1.6 本章小結 9

 

參考資源 10

 

第2章 打造機器學習工具箱 11

 

2.1 Python在機器學習領域的優勢 11

 

2.1.1 NumPy 11

 

2.1.2 SciPy 15

 

2.1.3 NLTK 16

 

2.1.4 Scikit-Learn 17

 

2.2 TensorFlow簡介與環境搭建 18

 

2.3 本章小結 19

 

參考資源 20

 

第3章 機器學習概述 21

 

3.1 機器學習基本概念 21

 

3.2 數據集 22

 

3.2.1 KDD 99數據 22

 

3.2.2 HTTP DATASET CSIC 2010 26

 

3.2.3 SEA數據集 26

 

3.2.4 ADFA-LD數據集 27

 

3.2.5 Alexa域名數據 29

 

3.2.6 Scikit-Learn數據集 29

 

3.2.7 MNIST數據集 30

 

3.2.8 Movie Review Data 31

 

3.2.9 SpamBase數據集 32

 

3.2.10 Enron數據集 33

 

3.3 特徵提取 35

 

3.3.1 數字型特徵提取 35

 

3.3.2 文本型特徵提取 36

 

3.3.3 數據讀取 37

 

3.4 效果驗證 38

 

3.5 本章小結 40

 

參考資源 40

 

第4章 Web安全基礎 41

 

4.1 XSS攻擊概述 41

 

4.1.1 XSS的分類 43

 

4.1.2 XSS特殊攻擊方式 48

 

4.1.3 XSS平颱簡介 50

 

4.1.4 近年典型XSS攻擊事件分析 51

 

4.2 SQL注入概述 53

 

4.2.1 常見SQL注入攻擊 54

 

4.2.2 常見SQL注入攻擊載荷 55

 

4.2.3 SQL常見工具 56

 

4.2.4 近年典型SQL注入事件分析 60

 

4.3 WebShell概述 63

 

4.3.1 WebShell功能 64

 

4.3.2 常見WebShell 64

 

4.4 僵屍網絡概述 67

 

4.4.1 僵屍網絡的危害 68

 

4.4.2 近年典型僵屍網絡攻擊事件分析 69

 

4.5 本章小結 72

 

參考資源 72

 

第5章 K近鄰算法 74

 

5.1 K近鄰算法概述 74

 

5.2 示例：hello world！K近鄰 75

 

5.3 示例：使用K近鄰算法檢測異常操作（一） 76

 

5.4 示例：使用K近鄰算法檢測異常操作（二） 80

 

5.5 示例：使用K近鄰算法檢測Rootkit 81

 

5.6 示例：使用K近鄰算法檢測WebShell 83

 

5.7 本章小結 85

 

參考資源 86

 

第6章 決策樹與隨機森林算法 87

 

6.1 決策樹算法概述 87

 

6.2 示例：hello world！決策樹 88

 

6.3 示例：使用決策樹算法檢測POP3暴力破解 89

 

6.4 示例：使用決策樹算法檢測FTP暴力破解 91

 

6.5 隨機森林算法概述 93

 

6.6 示例：hello world！隨機森林 93

 

6.7 示例：使用隨機森林算法檢測FTP暴力破解 95

 

6.8 本章小結 96

 

參考資源 96

 

第7章 樸素貝葉斯算法 97

 

7.1 樸素貝葉斯算法概述 97

 

7.2 示例：hello world！樸素貝葉斯 98

 

7.3 示例：檢測異常操作 99

 

7.4 示例：檢測WebShell（一） 100

 

7.5 示例：檢測WebShell（二） 102

 

7.6 示例：檢測DGA域名 103

 

7.7 示例：檢測針對Apache的DDoS攻擊 104

 

7.8 示例：識彆驗證碼 107

 

7.9 本章小結 108

 

參考資源 108

 

第8章 邏輯迴歸算法 109

 

8.1 邏輯迴歸算法概述 109

 

8.2 示例：hello world！邏輯迴歸 110

 

8.3 示例：使用邏輯迴歸算法檢測Java溢齣攻擊 111

 

8.4 示例：識彆驗證碼 113

 

8.5 本章小結 114

 

參考資源 114

 

第9章 支持嚮量機算法 115

 

9.1 支持嚮量機算法概述 115

 

9.2 示例：hello world！支持嚮量機 118

 

9.3 示例：使用支持嚮量機算法識彆XSS 120

 

9.4 示例：使用支持嚮量機算法區分僵屍網絡DGA傢族 124

 

9.4.1 數據搜集和數據清洗 124

 

9.4.2 特徵化 125

 

9.4.3 模型驗證 129

...

作者：高揚

I S B N ：978-7-111-57457-6條碼書號：9787111574576上架日期：2017-7-24齣版日期：2017-7-1版       次：1-1齣 版 社：機械工業齣版社叢 書 名：

基礎篇(1-3章)：介紹深度學習的基本概念和Tensorflow的基本介紹。原理與實踐篇（4-8章）：大量的關於深度學習中BP、CNN以及RNN網絡等概念的數學知識解析，加以更樸素的語言與類比，使得非數學專業的程序員還是能夠比較容易看懂。擴展篇（9-13章）：介紹新增的深度學習網絡變種與較新的深度學習特性，並給齣有趣的深度學習應用。讀完本書，基本具備瞭搭建全套Tensorflow應用環境的能力，掌握深度學習算法和思路，以及進行一般性的文章分類、音頻分類或視頻分類的能力。

目 錄?Contents

 

本書贊譽

 

序

 

前 言

 

基 礎 篇

 

第1章 機器學習是什麼  2

 

1.1 聚類  4

 

1.2 迴歸  5

 

1.3 分類  8

 

1.4 綜閤應用  10

 

1.5 小結  14

 

第2章 深度學習是什麼  15

 

2.1 神經網絡是什麼  15

 

2.1.1 神經元  16

 

2.1.2 激勵函數  19

 

2.1.3 神經網絡  24

 

2.2 深度神經網絡  25

 

2.3 深度學習為什麼這麼強  28

 

2.3.1 不用再提取特徵  28

 

2.3.2 處理綫性不可分  29

 

2.4 深度學習應用  30

 

2.4.1 圍棋機器人——AlphaGo  30

 

2.4.2 被教壞的少女——Tai.ai  32

 

2.4.3 本田公司的大寶貝——

 

ASIMO  33

 

2.5 小結  37

 

第3章 TensorFlow框架特性與安裝  38

 

3.1 簡介  38

 

3.2 與其他框架的對比  39

 

3.3 其他特點  40

 

3.4 如何選擇好的框架  44

 

3.5 安裝TensorFlow  45

 

3.6 小結  46

 

原理與實踐篇

 

第4章 前饋神經網絡  50

 

4.1 網絡結構  50

 

4.2 綫性迴歸的訓練  51

 

4.3 神經網絡的訓練  75

 

4.4 小結  79

 

第5章 手寫闆功能  81

 

5.1 MNIST介紹  81

 

5.2 使用TensorFlow完成實驗  86

 

5.3 神經網絡為什麼那麼強  92

 

5.3.1 處理綫性不可分  93

 

5.3.2 挑戰“與或非”  95

 

5.3.3 豐富的VC——強大的空間

 

劃分能力  98

 

5.4 驗證集、測試集與防止過擬閤  99

 

5.5 小結  102

 

第6章 捲積神經網絡  103

 

6.1 與全連接網絡的對比  103

 

6.2 捲積是什麼  104

 

6.3 捲積核  106

 

6.4 捲積層其他參數  108

 

6.5 池化層  109

 

6.6 典型CNN網絡  110

 

6.7 圖片識彆  114

 

6.8 輸齣層激勵函數——SOFTMAX  116

 

6.8.1 SOFTMAX  116

 

6.8.2 交叉熵  117

 

6.9 小試牛刀——捲積網絡做圖片分類  124

 

6.10 小結  138

 

第7章 綜閤問題  139

 

7.1 並行計算  139

 

7.2 隨機梯度下降  142

 

7.3 梯度消失問題  144

 

7.4 歸一化  147

 

7.5 參數初始化問題  149

 

7.6 正則化  151

 

7.7 其他超參數  155

 

7.8 不，的模型  156

 

7.9 DropOut  157

 

7.10 小結  158

 

第8章 循環神經網絡  159

 

8.1 隱馬爾可夫模型  159

 

8.2 RNN和BPTT算法  163

 

8.2.1 結構  163

 

8.2.2 訓練過程  163

 

8.2.3 艱難的誤差傳遞  165

 

8.3 LSTM算法  167

 

8.4 應用場景  171

 

8.5 實踐案例——自動文本生成  174

 

8.5.1 RNN工程代碼解讀  174

 

8.5.2 利用RNN學習莎士比亞劇本  183

 

8.5.3 利用RNN學習維基百科  184

 

8.6 實踐案例——聊天機器人  185

 

8.7 小結  196

 

擴 展 篇

 

第9章 深度殘差網絡  198

 

9.1 應用場景  198

 

9.2 結構解釋與數學推導  200

 

9.3 拓撲解釋  205

 

9.4 Github示例  207

 

9.5 小結  207

 

第10章 受限玻爾茲曼機  209

 

10.1 結構  209

 

10.2 邏輯迴歸  210

 

10.3 ·大似然度  212

 

10.4 ·大似然度示例  214

 

10.5 損失函數  215

 

10.6 應用場景  216

 

10.7 小結  216

 

第11章 強化學習  217

 

11.1 模型核心  218

評分☆☆☆☆☆

評分☆☆☆☆☆

評分☆☆☆☆☆

評分☆☆☆☆☆

評分☆☆☆☆☆

評分☆☆☆☆☆

評分☆☆☆☆☆

評分☆☆☆☆☆

評分☆☆☆☆☆