-==================================================================  记一次SQL注入 目标地址:https://www.xxxx.com/ 之前补天提交过这个注入  后来貌似”修复了”（实际就是装了安全狗和过滤了一些关键字） 不过今天试了...

特征工程系列：数据清洗本文为数据茶水间群友原创，经授权在本公众号发表。关于作者：JunLiang，一个热爱挖掘的数据从业者，勤学好问、动手达人，期待与大家一起交流探讨机器学习相关内容~0x00 前言数据和特征决定了机器学习的上限，而模型和算法只是逼近这个上限而已。由此可见，特征工程在机器学习中占有相当重要的地位。在实际应用当中，可以说特征工程是机...

1、判别模型和生成模型总结　　判别方法：由数据直接学习决策函数 Y = f（X），或者由条件分布概率 P（Y|X）作为预测模型，即判别模型。　　生成方法：由数据学习联合概率密度分布函数 P（X,Y）,然后求出条件概率分布P(Y|X)作为预测的模型，即生成模型。　　由生成模型可以得到判别模型，但由判别模型得不到生成模型。　　常见的判别模型有：K近邻、SVM、决策树、感知机、线性判别...

- 1.很多算法是一类算法，而有些算法又是从其他算法中延伸出来的- 2.从两个方面分类- 2.1学习的方式监督式学习常见应用场景如分类问题和回归问题常见算法有逻辑回归（Logistic Regression）和反向传递神经网络（Back Propagation Neural Network）...

上一讲中主要描述了机器学习特征工程的基本流程，其内容在这里：机器学习（一）特征工程的基本流程本次主要说明如下：　　1）数据处理：此部分已经在上一节中详细讨论　　2）特征工程：此部分已经在上一节中详细讨论　　3）模型选择　　4）交叉验证　　5）寻找最佳超参数首先看下总图：（一）模型选择：1）交叉验证交叉验证集做参数/模型选择测试集只做模型效果评估2）K折交叉验...

探索性数据分析介绍当有人扔给你一份数据时，你对这份数据完全陌生，又没有足够的业务背景，会不会感觉无从下手。如果你什么都不管，直接把...

前言　　特征是数据中抽取出来的对结果预测有用的信息，可以是文本或者数据。特征工程是使用专业背景知识和技巧处理数据，使得特征能在机器学习算法上发挥更好的作用的过程。过程包含了特征提取、特征构建、特征选择等模块。 　　特征工程的目的是筛选出更好的特征，获取更好的训练数据。因为好的特征具有更强的灵活性，可以用简单的模型做训练，更可以得到优秀的结果。“工欲善其事，必先利其器”，特征...

一、关于集成学习的概念1.集成学习概念集成学习是机器学习中一个非常重要且热门的分支，是用多个弱分类器构成一个强分类器，其哲学思想是...

本文主要回顾下几个常用算法的适应场景和优缺点！对于你的分类问题，你知道应该如何选择哪一个机器学习算法么？当然，如果你真的在乎精度（accuracy），最好的方法就是通过交叉验证（cross-validation）对各个算法一个个地进行测试，进行比较，然后...

本文主要结合作者的《系统安全前沿》作业，师姐的论文及绿盟李东宏老师的博客，从产业界和学术界分别详细讲解恶意代码攻击溯源的相关知识。在学...