15.1 问题的动机 15.2 高斯分布 15.3 算法 15.4 开发和评价一个异常检测系统 15.5 异常检测与监督学习对比 15.6 选择特征 15.7 多元高斯分布（可选） 15.8 使用多元高斯分布进行异常检测（可选） 15.1 问题的动机 15.2 高斯分布 15.3 算法 15.4 开 ...
分类：
其他好文 时间：
2017-05-12 20:11:13
阅读次数：
197
1 Auto-encoder 目的是提取特征. Auto-encoder能恢复样本训练过程，就保证了隐含层提取的特征是样本的重要，本质的特征，否则不能恢复样本. 2 用样本学习好Auto-encoder， 将时间序列样本，输入训练好的auto-encoder, 如果输出与输入残差值（平方误差和等）小 ...
分类：
Web程序 时间：
2017-05-09 23:18:25
阅读次数：
2309
基于机器学习的web异常检测 Web防火墙是信息安全的第一道防线。随着网络技术的快速更新，新的黑客技术也层出不穷，为传统规则防火墙带来了挑战。传统web入侵检测技术通过维护规则集对入侵访问进行拦截。一方面，硬规则在灵活的黑客面前，很容易被绕过，且基于以往知识的规则集难以应对0day攻击；另一方面，攻 ...
分类：
Web程序 时间：
2017-05-03 14:31:13
阅读次数：
148
异常检测，广泛用于欺诈检测（例如“此信用卡被盗？”）。 给定大量的数据点，我们有时可能想要找出哪些与平均值有显着差异。 例如，在制造中，我们可能想要检测缺陷或异常。 我们展示了如何使用高斯分布来建模数据集，以及如何将模型用于异常检测。 我们还将涵盖推荐系统，这些系统由亚马逊，Netflix和苹果等公 ...
分类：
其他好文 时间：
2017-03-12 17:45:55
阅读次数：
450
第四章：理解质量属性 1、质量属性场景：刺激源、刺激、环境、制品、响应、响应质量 2、重要属性 ① 可用性：系统正常运行的时间比例：平均正常工作时间/（平均正常工作时间+平均修复时间） ② 可修改性：修改的目标：制品 何时变更以及由谁变更：环境 ③ 性能 ④ 安全性 ⑤ 可测试性 ⑥ 易用性 第五章 ...
分类：
其他好文 时间：
2017-02-11 00:37:43
阅读次数：
150
一、无监督异常检测模型 1.在线流数据异常检测（iforest隔离森林算法） 该方法的主要思想是，通过随机选定样本属性及其值将样本空间进行随机划分，分割的过程可以看成类似于随机森林中树建立的过程，对于新的样本，基于建立的隔离树求其分割深度，深度值越小，表明越容易被隔离，也就意味着异常的概率越大；反之 ...
分类：
其他好文 时间：
2016-11-27 06:26:00
阅读次数：
1281
一.动手动脑 运行AboutException.java示例，了解Java中实现异常处理的基础知识。 1）源代码 2）结果截图 3）结果分析 当删去第一个k=i/j；结果正常运行，异常检测代码运用： 二.使用Java异常处理机制 ?把可能会发生错误的代码放进try语句块中。?当程序检测到出现了一个错 ...
分类：
编程语言 时间：
2016-11-25 22:39:08
阅读次数：
183
大概用了一个月，Andrew Ng老师的机器学习视频断断续续看完了，以下是个人学习笔记，入门级别，权当总结。笔记难免有遗漏和误解，欢迎讨论。 鸣谢：中国海洋大学黄海广博士提供课程视频和个人笔记，在此深表感谢！ ...
分类：
其他好文 时间：
2016-10-07 13:59:19
阅读次数：
275
Anomaly Detection and Recommender Systems 本周编程作业分为两部分：异常检测和推荐系统。 异常检测：本质就是使用样本的到特种值的gaussian分布，来预估正确的特征值的范围。对于一些特殊情况可以使用，多元高斯分布。 要注意该方法与监督学习的不同的适用性特征。 ...
分类：
系统相关 时间：
2016-10-06 22:32:35
阅读次数：
216
K近邻应用-异常检测应用 原理： 根据数据样本进行KMeans机器学习模型的建立，获取簇心点，以簇为单位，离簇心最远的第五个点的距离为阈值，大于这个值的为异常点，即获得数据异常。 如图： 数据样本： 数据样本的数据格式为：标号，特征值1，特征值2（没有具体含义，自动生成的数据只为能够简单的说明异常检 ...
分类：
其他好文 时间：
2016-09-18 23:30:33
阅读次数：
252
