鑽石舞台

4月22日 19:30-22:00

課程介紹

第一課安全體系結構

1.物理層安全：以碟中諜4片段為例

2. 系統層安全：以勒索病毒為例

3. 網絡層安全：以京東購物信息泄露為例

4 應用層安全：以釣魚事件為例

第二課 信息收集和網絡隱身

1. 子域名和IP信息收集

跟蹤DNS迭代查詢

子域名枚舉：dnsenum和fierce使用方法和輸出結果的詳細解析

2．內網IP信息收集

ICMP搜索、ARP搜索和TCP/UDP搜索

Netdiscover,Cain&Abel,Nmap工具使用

3．代理隱藏

正向代理、反向代理、透明代理、多級代理的原理

CCProxy, Burpsuite, ZAP, sockcaps64, proxychains等工具的使用和分析

4月23日 19:30-22:00

第三課 網絡掃描

1．全連接和半連接端口掃描

Nmap+wireshark演示，詳細分析端口掃描的原理

2．openvas漏洞掃描

Openvas掃描目標系統的完整操作視頻演示和分析

3．弱口令掃描

弱口令掃描基本原理

hydra, sparta,medusa等掃描工具的實操和講解

第四課 網絡攻擊一

1.網絡釣魚

結合案例和視頻，完整解析如何從0到1實現以假亂真的釣魚網站

2.口令破解

暴力破解

基於Cain&Abel實現網絡截獲密碼密文和口令破解

Pwdump7/John/Hashcat破解Windows7口令

3.彩虹表破解 RainbowCrack

4月24日 19:30-22:00

第五課 網絡攻擊二

1.中間人攻擊

局域網數據截獲原理：站表溢出、ARP欺騙、DHCP欺騙和ICMP路由重定向

廣域網數據截獲：路由欺騙

2.DNS欺騙

Cain&Abel實現

dnschef/arpspoof/iptables組合實現

ettercap實現DNS欺騙

3.WEB欺騙

基於Burpsuite和基於MITMProxy的WEB欺騙

Bdfproxy：視頻演示如何在軟件下載過程中注入木馬

第六課 網絡攻擊三

1.惡意代碼

惡意代碼的反調試和隱蔽技術：壓縮殼

如何製作惡意代碼：msfvenom製作正向和反向後門

2.木馬和漏洞原理

木馬全功能展示：上行遠程控制工具

緩衝區溢出漏洞原理和shellcode：程序示例

3.metasploit攻擊平台使用和演示

4月25日 19:30-22:00

第七課 後門設置和痕跡清除

1.開放連接端口: netcat工具演示

2.控制和安裝系統服務：net start/stop, sc, servany.exe

3.篡改防火牆配置防止暴露蹤跡：腳本修改Windows個人防火牆配置

4.secedit修改 Windows審核配置

5.net user命令建立刪除用戶

6.系統文件替換：backdoor-factory, msfvenom

7.常見後門介紹：weevely, intersect, powersploit

8.Windows日誌清除：wevtutil

9.瀏覽器痕跡清除，系統使用痕跡清除

第八課Windows防火牆和入侵防禦系統

1.有狀態防火牆的原理

2.防火牆的常見部署方式

3.Windows個人防火牆配置和演示

4.入侵防禦系統的基本原理

5.全景解析Snort IPS的詳細配置和使用方法：如何自定義規則發現入侵事件

課程結束

4月22日 19:30-22:00

課程介紹

第一節：人工智能導論與Python實踐初步

知識點：

人工智能的歷史、發展、應用；

人工智能的倫理；

人工智能的算法、算力、數據；

人工智能的發展方向；

粒計算與人工智能；

Python常用的數據結構。

代碼和實踐：

使用Python編寫新冠疫情相關案例。包括：確定零號病人，確定感染人數最多的人，確定所有密接者，確定可能被感染次數最多的人，等等。

綜合使用Python的特定數據結構，如Dictionary、List、Set等及其可視化。

4月23日 19:30-22:00

第二節：機器學習的基本流程

知識點：

機器學習的一般過程；

特徵工程：

變化，編碼，選擇（基於統計、遞歸）、降維、數據平衡；

模型選擇與評估（擬合、評價指標）；

聚類（K-means、DBSCAN、不確定聚類）。

代碼和案例實踐：

（連鎖飯店業績分析）Restaurant Performance Analysis；

（信用卡評分）Credit risk & Data Analytics；

（疫情數據密度聚類）DBSCANforCovid-19。

4月24日 19:30-22:00

第三節：強化學習

知識點：

強化學習基礎；

強化學習、監督學習與非監督學習；

強化學習的應用；

強化學習仿真環境的構建；

馬爾科夫決策過程；

Q函數；

Bellman公式和動態規劃方法；

基於蒙特卡洛的強化學習方法。

代碼和案例實踐：

多臂老虎機（Multi-Armed Bandits）；

上下文老虎機（Contextual Bandits）；

廣告點擊問題（online advertising）；

餐車補貨策略（Inventory replenishment of a food truck）。

4月25日 19:30-22:00

第四節：深度學習

知識點：

神經網絡；

AI與深度學習；

深度學習的簡介和應用；

圖像識別的工作原理；

深度學習體系結構；

PyTorch簡介與使用案例。

代碼和案例實踐：

檢測熊的類別（Bear Detector）；

數字分類（Digit Classifier）。

4月26日 19:30-22:00

第五節：自然語言處理

知識點：

基礎知識（詞彙表、音素、字素和語素、符號化、理解詞的規範化）；

向量和矩陣；

BOW；

TF-IDF；

詞嵌入；

Word2vec模型；

Doc2Vec；

探索fastText；

了解Sent2Vec和通用句子編碼器。

代碼和案例實踐：

基本的聊天機器人；

情感分析器（Naive Bayes算法、SVM算法）。

課程結束

4月22日 19:30-22:00

課程介紹

第一課 計算機視覺概述

1.人工智能概述

人工智能的發展趨勢

人工智能技術的發展歷史

2.計算機視覺的實用案例

第二課 建立深度學習的開發環境

1.英偉達運算平台的安裝

Ubuntu系統

Cuda

CUDNN

2.Python及依賴庫的安裝與使用

Scikit-learn

Pillow

3.TensorFlow和Keras的安裝與使用

4月23日 19:30-22:00

第三課 Python與Opencv的編程基礎

1.python的基礎語法

基本運算

數據類型

控制語句

函數

面向對象

模塊和包

2.Opencv的應用

讀寫圖像

顯示圖像

裁剪、旋轉、放大、縮小圖像

圖像二值化處理

圖像邊緣化

第四課 深度學習與圖像分類

1.深度學習基礎

深度學習發展歷程

感知機

前饋神經網絡

深度學習框架

2.卷積神經網絡

卷積層

典型的卷積神經網絡

課程實踐：圖像分類

4月24日 19:30-22:00

第五課 目標檢測

1. 目標檢測的概念

2. 常用的目標檢測算法

傳統的目標檢測算法

Faster R-CNN

YOLO

SSD

3.目標檢測的評價方法

mAp

4.目標檢測的項目實戰

第六課 圖像分割

1.圖像分割的概念

2.常用的圖像分割算法

FCN

DeepLab

SegNet

U-net

Mask R-CNN

3.圖像分割的評價標準

4.圖像分割的項目實戰

4月25日 19:30-22:00

第七課 目標跟蹤及項目實戰

1. 目標跟蹤的概念

2. 傳統的目標跟蹤算法

光流法

SORT目標跟蹤算法

3. Deep SORT 多目標跟蹤算法

4. 目標檢測+目標跟蹤算法項目實戰

第八課 對抗生成網絡

1. 生成對抗網絡的概念

2. 常用的生成對抗網絡模型

Cycle GAN

DCGAN

3.項目實戰

4.樣本製作與數據增強

課程結束

4月22日 19:30-22:00

一、給教師的錦囊

開設機器學習課，做哪些準備

機器學習的世界太大，怎麼去看看

不推導數學公式，照樣講清楚機器學習算法？

教學課時與實驗課時的安排

二、Python提高與機器學習實現

1．人工智能的基本概念

2．機器學習和人工智能的關係

3．機器學習的典型應用案例

4．機器學習方法的分類

5．Python處理數據和文件

6．機器學習的一般流程

（1）分析問題

（2）獲取數據

（3）模型訓練

（4）測試模型

7．Python實現機器學習

8．Python常用科學庫的使用——Pandas、Numpy、Matplotlib、OpenCV等。

三、編程和案例實踐

1.人工智能應用體驗

2.Anaconda安裝和使用

3.Python基本數據操作

4.Pandas、Numpy數據處理

5.Matplotlib繪圖

6.WordCloud詞雲

7.OpenCV處理視頻和圖像

4月23日 14:30-17:00

四、KNN分類算法

1.算法的性能評價

2.KNN分類算法原理

3.KNN算法實現

五、案例實踐

1. 使用KNN實現鳶尾花分類

2. 手寫數字識別

4月24日 9:00-11:30

六、K-均值聚類算法

1.K-均值聚類算法

2.K-均值算法實現

七、案例實踐

1.物流公司最佳配送路徑問題

2.銀行客戶分組畫像

4月25日 14:30-17:00

八、推薦算法

1.推薦算法介紹

（1）推薦系統——「猜你喜歡」

（2）推薦算法的原理

2.協同過濾推薦算法

(1)基於用戶的(User-Based)協同過濾算法

(2)基於項目的(Item-Based)協同過濾算法

(3)其他推薦算法

(4)推薦算法的性能評價

九、案例實踐

1.協同過濾算法實現電影推薦

2.推薦適合的圖書

十、回歸算法

1.回歸算法

2.線性回歸

3.線性回歸實現

4.邏輯回歸

5.邏輯回歸參數確定與實現

十一、案例實踐

1.貸款逾期情況預測

2.電影票房預測

課程結束

點擊【閱讀原文】鏈接可下載會議通知電子版