编程语言简要概述
C语言：面向过程，适用于系统软件和嵌入式开发
**C++**：在C基础上发展，支持面向对象编程，常用于游戏和高性能计算
Java：广泛使用的面向对象语言，跨平台，适合企业级应用。
Python：简洁易学，拥有丰富库，适用于数据分析、AI和Web开发。
JavaScript：主要用于前端开发，也可用于服务器端（Node.js）。
**C#**：微软开发，主要用于Windows应用。
Ruby：简洁、富有表现力，常用于Web开发。
PHP：专注于Web开发，适合服务器端脚本。
Go：高效、简洁，适用于网络编程和云计算。
Swift：苹果开发，用于iOS和macOS应用。
Kotlin：与Java互操作，主要用于Android开发。
函数式编程语言
Haskell：纯函数式，强类型系统，严谨。
Lisp：灵活性强的历史悠久语言家族。
Clojure：Lisp方言，运行在Java虚拟机上，结合函数式编程和Java优势。
数据科学与机器学习
R：广泛用于统计分析和数据可视化。
Julia：专为高性能科学计算和数据分析设计。
开发类
- 全栈开发
- 移动开发
- 嵌入式系统开发
- 其他
全栈开发
TypeScript：JavaScript超集，增加静态类型检查，提高大型项目开发效率。
移动开发
Objective-C：曾为iOS主要语言，现在逐渐被Swift取代。
嵌入式系统开发
汇编语言>>不同架构有不同的汇编语言，底层控制硬件。
其他
Pascal：曾广泛用于教学和早期软件开发。
软件程序类型概述
- Web程序
- 二进制程序
- 驱动程序
- 上位机程序
- 脚本程序
- 操作系统
- 裸板程序
- 机器学习程序
- 量子计算程序
- 工控程序
- BIOS程序与本质理解
Web程序：
包括各种网站和在线应用，主要用于渗透测试。
二进制程序：
主要用于逆向分析，与渗透测试不同，通常需要更深的技术基础。
驱动程序：
由二进制程序编写，后缀通常为 .sys，用于操作系统的硬件交互。
上位机程序：
略。
脚本程序：
包括多种语言如 Lua、PHP、Java，广泛应用于自动化和快速开发。
操作系统：
大型软件系统，尽管技术含量高，但本质上也属于软件程序。
裸板程序：
不依赖于操作系统，通常用于嵌入式系统开发。
机器学习程序：
一般用 Python 编写，也可使用 Go 等语言，最终都是实现特定功能的程序。
量子计算程序：
特定于量子计算领域，尚处于发展阶段。
工控程序：
用于工业控制系统，涉及到硬件和软件的结合。
BIOS程序：
是低级代码，负责硬件初始化和操作系统启动。其本质是代码，不应被复杂的术语所迷惑。
本质：
无论别人如何夸大技术，重要的是理解其底层原理。例如，组合技术（如二进制与 Web 的结合）只需掌握其基础即可。
操作系统类型
iOS、macOS、Linux、Android、Windows、Windows CE (Wince)、VxWorks、RT-Thread
（这些类型的程序展示了软件的多样性和应用场景，理解它们的特点有助于在各个领域中更有效地进行开发和渗透测试。）
非实时操作系统
包括 Windows、macOS、iOS 和 Linux。主要关注性能和用户体验，但在处理指令时不一定立即响应用户操作。
实时操作系统 (RTOS)
如 VxWorks 和 RT-Thread，能够在确定时间内响应外部事件，适用于时间要求严格的嵌入式系统和工业控制。
硬件类
- 计算机硬件组件
- 网络硬件设备
- 移动设备硬件
- 硬件发展趋势
计算机硬件组件
中央处理器 (CPU)：
计算机的核心，负责执行指令和处理数据，其性能直接影响计算速度。
内存：
存储运行中的程序和数据，容量和速度影响计算机性能。
硬盘：
用于长期存储数据，包括操作系统和应用程序，容量和读写速度也会影响性能。
显卡：
处理图形和图像数据，其性能对图形处理能力至关重要，尤其在游戏和设计领域。
主板：
连接各个硬件组件，主板的质量影响计算机的稳定性和扩展性。
网络硬件设备
网络服务器：
提供网络服务，如文件存储和Web服务，通常具有较高性能。
网络存储设备：
包括 NAS 和 SAN，提供高容量、高可靠性的数据存储解决方案。
网络打印机：
通过网络共享，方便多台计算机打印。
网络摄像头：
用于视频监控和远程会议，可将视频信号通过网络传输。
移动设备硬件
智能手机：
集成多种功能，包含处理器、内存、存储和摄像头。
平板电脑：
类似于智能手机，但屏幕更大，适合阅读和观看视频等。
可穿戴设备：
如智能手表等，可以监测用户健康数据并连接智能手机等设备。
硬件发展趋势
小型化：
硬件设备趋向体积越来越小，便于携带。
高性能：
处理器、内存、存储的性能和容量不断提高。
智能化：
硬件设备更加智能，可以适应不同用户习惯。
互联互通：
设备之间的联网与互联越来越密切，形成物联网。
网络类
- 网络类型
- 网络协议
- 网络设备
- 网络安全
- 通讯协议
网络类型
**局域网(LAN)**：覆盖范围较小，通常用于办公室、学校或家庭等局部区域，用于共享资源（如文件和打印机）。
**城域网(MAN)**：覆盖一个城市范围内的网络，例如城市的宽带网络或有线电视网络。
**广域网(WAN)**：覆盖范围极广，跨越国家甚至全球的区域，典型例子是互联网，它连接了世界各地的计算机和网络设备。
网络协议
TCP/IP协议：互联网的基础协议。
TCP(传输控制协议)：确保数据可靠、有序地传输。
IP(网际协议)：负责数据的路由和地址解析。
HTTP协议：超文本传输协议，用于Web浏览器和服务器之间传输网页、图片等超文本数据。
FTP协议：文件传输协议，用于计算机之间安全传输文件。
SMTP、POP3和IMAP协议：用于电子邮件的发送与接收。SMTP负责发送，POP3和IMAP负责接收。
网络设备
路由器：用于连接不同的网络并转发数据，依据IP地址和路由表确定数据的传输路径。
交换机：局域网内的多台计算机通过交换机进行数据交换，依据MAC地址转发数据帧。
网卡：计算机连接网络的硬件设备，将计算机数据转换为网络信号进行传输。
无线接入点：为无线设备提供网络接入，使其能够连接到局域网或广域网。
网络安全
防火墙：保护网络免受外部攻击，依据规则过滤进出网络的流量。
加密技术：对数据进行加密，常用的SSL/TLS协议用于确保Web浏览器和服务器之间的通信安全。
身份认证：通过验证用户身份来确保只有授权用户能访问网络资源，常用的方法包括用户名和密码、数字证书以及生物识别等。
通讯协议
TCP：用于可靠的、面向连接的数据传输，确保数据到达目的地。
UDP：用于快速、不可靠的通信，不提供数据重传机制，适用于实时应用（如视频流、在线游戏等）。
IP：用于网络间的路由和数据传输地址解析，是互联网数据传输的基础协议。
总结：这些网络类型、协议和设备共同构成了现代网络通信的基础。了解这些概念有助于理解网络运作原理，并为进一步学习网络安全和协议栈奠定基础。
机器学习工作流程
- 数据收集
- 数据预处理
- 模型选择与训练
- 模型评估与优化
- 模型应用
数据收集
来源：数据可以来自数据库、文件、传感器、网络等多种渠道。
类型：包括结构化数据(如表格数据)、半结构化数据(如XML、JSON)和非结构化数据(如文本、图像、音频等)。
数据预处理
数据清洗：去除噪声数据、处理缺失值、纠正错误数据。常用方法如均值填充、中位数填充等。
数据归一化：将数据缩放至统一范围，常见方法包括最小-最大归一化和Z-score标准化。
特征提取：从数据中提取有用特征，如图像识别中提取颜色、纹理、形状等。
模型选择与训练
根据任务类型选择算法：分类问题可以使用决策树、支持向量机等；回归问题可以使用线性回归、随机森林等。
数据分割：将数据分为训练集和测试集。使用训练集训练模型，调整参数最小化损失函数。
模型评估与优化
评估指标：常用指标包括准确率、精确率、召回率、F1值、均方误差等。
根据结果调整模型参数、选择不同算法或增加数据量来优化模型。
模型应用
将优化后的模型应用于实际问题，执行预测、分类、聚类等任务。
持续监控和评估应用结果，优化模型以提高性能。
深度学习的基本原理
- 神经网络基础
- 多层神经网络
神经网络基础
神经元模型： 深度学习的核心是人工神经网络，其灵感来源于生物神经元。一个神经元接收多个输入信号，每个输入对应一个权重，通过加权求和后，输入激活函数得到输出。
激活函数： 激活函数决定了神经元的输出值常见激活函数包括ReLU（修正线性单元）、sigmoid和tanh。它们引入非线性，增强了神经网络处理复杂问题的能力。
多层神经网络
[层次结构]
深度学习中的神经网络通常包括>>>
输入层：接收原始数据，如图像的像素值、文本的词向量等。
隐藏层：多层隐藏层对输入数据进行特征提取，每一层逐步提取高阶特征。例如，图像识别中，低层提取边缘特征，高层提取更复杂的形状和结构。
输出层：生成最终的预测结果。例如，图像分类任务中，输出层可能是图像的类别标签。
深度网络 ：深度神经网络有多个隐藏层，层数越多，提取的特征越复杂。深度学习的能力主要源于其处理复杂模式、特征提取的多层次特性。
声明
学习视频来自B站UP主—泷羽sec,如涉及侵权马上删除文章。
版权归原作者 Lucifrix. 所有， 如有侵权，请联系我们删除。