[100DaysML]第 7 天 – ML&CyberSecurity

第 7 天

网络安全中机器学习大合集

原作者:https://github.com/jivoi/awesome-ml-for-cybersecurity/blob/master/README_ch.md
感谢原作者,在此也会加上自己学习和了解到的内容


AI-Security-Learning

自身学习的安全数据科学和ai安全算法的学习资料

项目地址: https://github.com/0xMJ/AI-Security-Learning

最近更新日期为:2019/02/17

同步更新于: Mang0: AI-Security-Learning

[TOC]

机器学习与安全课程

AI应用攻击篇

用AI来做应用安全攻击

自动化渗透

验证码识别

自动化鱼叉式钓鱼攻击

自动化恶意软件样本生成

自动化漏洞挖掘

通过舆情分析和精准广告投放来影响政治事件

AI应用防御篇

用AI来做应用安全防护

UEBA

UBA/UEBA的资料收集和学习

UEBA架构设计之路1:UEBA框架

UEBA架构设计之路2:数据接入和准备

UEBA架构设计之路3:复杂事件处理引擎

UEBA如何在企业有效地应用与落地

UEBA在企业安全领域应用的现状和挑战

浅析用户行为分析系统(UEBA)

机器学习算法在用户行为检测(UBA)领域

新一代数据安全的制胜法宝-UBA

干货|用机器学习检测异常点击流

机器学习算法在用户行为检测(UBA)领域的应用

Web安全检测

检测web攻击

Webshell检测

XSS

弱口令

DDOS

恶意url检测

DGA

恶意流量检测

恶意代码

钓鱼检测

APT检测

业务安全检测

杂项

AI本身安全

AI模型安全

逃逸攻击:

AI框架安全

AI数据安全

机器学习面临的数据污染问题。通过原理说明和代码实例,展示数据污染的特点和攻击效果。

AI代码安全

模型代码的漏洞挖掘和利用

AI保护AI

攻击算法

DeepFool对抗算法

FGSM算法:机器学习对抗算法中的FGSM算法。通过算法说明和代码实例,展示FGSM算法的特点和攻击效果。

对抗样本

杂项

优秀Github推荐

网络安全中机器学习大合集

最终安全数据科学和机器学习指南

Machine Learning for Cyber Security

404师傅的整理

Awesome-AI-Security

iami师傅的整理

关于机器学习和安全的源代码

红日安全

优秀博客

http://webber.tech/

http://bindog.github.io

https://www.cdxy.me

https://iami.xyz

https://www.zuozuovera.com/

LittleHann师傅

优秀书籍

《web安全之机器学习入门》

《web安全之深度学习实战》

《web安全之强化学习与Gan》

《OReilly.Machine.Learning.and.Security》

《统计学习方法》

思考

入行 AI,如何选个脚踏实地的岗位

为什么机器学习在安全、风控领域频频遇冷?

学习机器学习

第一步:学习编程

实话说,计算机体系很大,除了语言、数据机构、算法之外,计算机体系结构、操作系统、网络、数据库等等领域庞大。但不管怎样,学习如何编写代码、如何编程是必备的。如何学习编程呢?学完数据结构、算法等知识后,如何提高编程能力呢?上LeetCode刷题成为很多人的不二之选。
推荐教程:python廖雪峰

第二步:扎实数学

数学是搞数据科学的必备基础,数学不扎实,机器学习里很多原理、推导、公式便无法理解透彻,比如单单一个SVM就涉及到求导、凸优化等数学知识。所以如果数学忘了,很有必要复习并重新扎实数学基础。
涵盖内容:微积分、数理统计与概率论、矩阵、凸优化
推荐书籍:数理统计学简史、矩阵分析与应用by张贤达、凸优化(Convex Optimization)
推荐课程:机器学习中的数学

李航《统计学习方法》

第三步:掌握适合数据科学的Python

python在当今的数据分析很热,广泛应用于金融、电商等领域的大数据分析,也非常适合数据工作者利用它处理数据,所以Python在数据领域应用越来越广泛。
推荐教程:《利用python进行数据分析》、《Python爬虫》

Python 和数据科学

第四步:开始学习机器学习

机器学习技术在很多领域应用广泛,包括在数据挖掘、搜索、推荐、广告、自然语言处理等等中。所以学好机器学习,是搞更多应用领域的前提条件。此外,学习机器学习,不单单只是学习一个个模型、算法就足够,因为实际的机器学习工作中,分析问题、处理数据、处理特征占绝大部分工作。所以不要以为看到一个课程涵盖许许多多的模型/算法就以为捡到了宝,看一个ML课程有没有工业实战,最快判断的标准之一是看它讲不讲以及是否能讲好特征工程、模型调优。
推荐书籍:PRML
推荐课程:吴恩达《机器学习》公开课

原课程地址:coursera.org/course/ml

第五步:再进一步之学习DL

得益于计算机越发强大的计算能力,神经网络的加强版深度学习(权且容许我这么不专业的叫法)越发火热,从AlphaGo、无人驾驶再到最近的AlphaGo 2.0横扫中日韩顶级骑手,AI可谓出尽了风头,在这个人工智能与大数据的时代,不学点AI,都不好意思出门跟人打招呼说我是搞计算机技术的了。
推荐课程:吴恩达《深度学习》公开课

原课程地址:www.deeplearning.ai

第六步:做实验及上kaggle实战

纸上得来终觉浅、绝知此事要躬行。理论学习再多最终还是要实战。为降低门槛起见,你可以从做一个一个有趣的深度学习实验开始,比如学梵高作画、自动玩flappy bird等等。然后,在kaggle上多刷刷一些数据竞赛项目

第七步:实习或工作

如果你是想做数据挖掘、计算机视觉、自然语言处理,可以继续学相关的课程。此外,很多经典最新论文值得一读。如果足够了,那就正式出山到实际江湖上闯一闯吧:找份工作,干一把!
推荐公司:有资源、有数据的偏大一点的公司

推荐文章

资源

https://pan.baidu.com/s/1k64FTLw1Gv87WbYqviM45Q#list/path=%2F提取密码:bs8w

发表评论

电子邮件地址不会被公开。 必填项已用*标注

此站点使用Akismet来减少垃圾评论。了解我们如何处理您的评论数据