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
13.3.2　XGBoost算法212
13.3.3　深度學習算法之多層感知機215
13.3.4　深度學習算法之RNN218
13.4　本章小結221
第14章　惡意程序分類識彆222
14.1　數據集223
14.2　特徵提取226
14.3　模型訓練與驗證228
14.3.1　支持嚮量機算法228
14.3.2　XGBoost算法229
14.3.3　深度學習算法之多層感知機230
14.4　本章小結231
第15章　反信用卡欺詐232
15.1　數據集232
15.2　特徵提取234
15.2.1　標準化234
15.2.2　標準化和降采樣234
15.2.3　標準化和過采樣236
15.3　模型訓練與驗證239
15.3.1　樸素貝葉斯算法239
15.3.2　XGBoost算法243
15.3.3　深度學習算法之多層感知機247
15.4　本章小結251
· · · · · · (收起)