【杂记】Python学习、机器学习（图像处理）、网络渗透、考研杂记

最近一段时间的精力分配有点混乱，关注的东西也比较乱，现在整理一下。


主要有四大类：Python学习、机器学习（图像处理）、网络渗透、考研相关


先来说说Python的学习：


    貌似是前段时间用C#写一个获取网页源码，并解析得到需要的信息的工具的时候，网上资料说做爬虫和网页解析，Python更适合，又发现Python最近很火，然后就入了Python的坑。大概花费了一、两天的时间搞定了IDE，一开始准备入手Vim和Gvim，装好后发现配置好复杂搞不定，而且Vim命令行的工作模式也不太适合我这样的小白。偶然发现我电脑里面竟然躺着Pycharm，然后就装了Pytharm，可以用python打印“Hello world!”了。玩了大概一周的时间，发现Pycharm启动起来比较慢，还比较臃肿。就切换到了Notepad++，在里面编写好代码之后在命令行里调试、运行，这个配合用起来比较顺手。


    对于Python解释器的选择也纠结了一段时间，网上查了资料，一开始看到资料说2.7版本的比较实用，依赖包比较完善、成熟；但是也说3.6代表未来，更适合现在学习。两个版本之间，我不知道选择那个恰当。后面偶然在知乎上面看到一篇讲Python能够做哪些好玩的事情的文章，提到了廖雪峰老师的Python的教程。点进去后，教程上面说2.7已经过时了，应该学习3.6；他的教程也很详细，然后我就根据教程开始了python3.6的学习。


    一开始学习的内容都是比较基础的东西，比如循环、判断、函数等，因为有C#的基础，理解起来并不困难。python不需要提前声明变量类型，用习惯了C家族，很不适应，还有用缩进而不是大括号来表示一块区域，这点也不是很适应。对着廖雪峰老师的教程，大概学习到了类和多线程这里，后面的web编程，因为我没有那方面的背景知识，看起来比较吃力，也就没有继续看下去了。Python特有的东西理解比较深刻的应该是dict、set、list、tuple，其他的感觉没有学到多少。另外，Python给我的感觉是：要解决某个实际问题的时候，掌握了Python基本的知识外，还应该要去学习具体的关于某个领域的包的用法，光学python基本知识，做不了太多的事情，这点跟大学时候的Matlab很相似。


    因为我一开始是想更好的解决网页抓取和获取网页信息的问题，才开始python的学习的。学习了一段基础知识后，就想要编写一个网页抓取的小工具了。我用的是requests+BeautifulSoup+re包，完成了一个简单的网页抓取、解析信息的工具。基本完成了预期的目标，有意思的是第一次用自己编写的工具抓取了近三万张图片，也改进了之前用c#编写的那个工具，很有成就感，有机会再写一篇文章把过程贴出来。


    另外，自去年自学了计算机网络基础后，我一直都想要试验搭载一个客户端-服务器聊天工具。python实现起来比较简单，用socket几句代码就可以实现，对照着网上的资料加上自己的理解，也实现了这个功能。


   比较坑爹的是，被编码错误这个问题坑了不少。获取到的数据输出到命令行或写入文件的时候经常都是一堆乱码，往往一个小工具用一两个小时就把基本的想法变现了，却不得不花费大半个晚上的时间来解决编码的问题。




关于python学习的一些参考网址：
http://www.liaoxuefeng.com/wiki/0014316089557264a6b348958f449949df42a6d3a2e542c000 廖雪峰老师的python基础教程（比较适合有其他编程语言的新手入门）
http://m.blog.csdn.net/article/details?id=71330834 Python文件读取（很全面、浅显易懂，推荐收藏）
https://github.com/youfou/wxpy Python微信






关于机器学习（图像处理）:


    python学习中期的时候，加CSDN的python学习群的同时误加了他们的大数据学习群。里面有很多热心的大牛分享了一些大数据机器学习的文章，某个无聊的午后我拿出手机点了进去。感觉发现了新大陆，对机器学习的知识产生了好感。因为平时就对各种科幻电影痴迷，对机器学习、人工智能自然熟也很容易理解了。另外插一点小插曲，大学快毕业的时候在学校旧书店看到了一篇讲神经网络和人工智能的书，当时只翻了一点，一点也没看进去，但是它告诉了我，我痴迷的那些科幻镜头有变成现实的可能；几年过去了，还是没能忘记曾经翻过这本书。


    所以又入了机器学习的坑，但是对这块没有Python中毒那么深；毕竟要理解卷积神经网络、逻辑回归这样复杂的算法，对我这样工作了的学渣来说确实是一个很大的砍。所以目前仅处于隔岸观火、了解的阶段。


    为什么我会再机器学习后面的括号里面注明“图像处理”呢？是因为前段时间一个博士在读的朋友推荐了我一款识别花草的神器。对着你想要知道的花草拍张照片，过不了几秒它就能告诉你花草的名字，而且识别率超高，这引起了我极大的兴趣，晚上回宿舍就在网上查了它的实现算法，用的正是卷积神经网络。这个活生生的例子，让我见识到了机器学习在图像处理方面的威力。
  
   最近读了一篇讲解机器学习入门的干货，提到机器学习有两个方向，一是自然语言处理，另一个就是图像处理。自然语言处理方面，之前学Python玩微信聊天机器人的时候，调用了图灵机器人的接口，感觉它们的机器人离正常对话还差很多，很多时候回答的都不是想要的。所以目前来说还是图像处理的实用性比较好一些。


   机器学习方面，考虑到目前的情况，接下来应该不会再在这上面耗费太多的时间，对于学渣的我来说要搞定那些算法确实比较难，但是会保持一定的关注。闲暇得空的时候，琢磨一下这方面的经典算法权当寄托了。




关于机器学习的一些参考网址：
http://study.163.com/course/introduction/1003223001.htm 斯坦福CS231n—深度学习与计算机视觉，Fei Fei Li和两名助教一起上的课，很不错
http://m.blog.csdn.net/article/details?id=71915183 简单粗暴地入门机器学习，上面提到的干货
http://m.blog.csdn.net/article/details?id=71079440 机器学习十大常用算法（一）
http://m.blog.csdn.net/article/details?id=52442636 机器学习十大常用算法（二）




关于网络渗透：


   黑客和网络渗透方面的知识也是我一直想要了解的，去年自学计算机网络，也是有这一方面的原因。可是当我看完一本《计算机网络基础》后，发现除了了解了一些基本的原理知识（现在好像也记不了多少了）外，什么也做不了。比如我知道可以通过设置网卡为混杂模式，接受局域网上的包。但是却不知道如何去实现，也想要了解TCP的三次握手。网上说用sniffer可以实现，找了一堆都没有找到能用的，问了一个计算机科班出生的同学，不是从事这方面工作的，也不了解，后面也就不了了之了。


   前段时间，偶然在网上看到了一个讲解黑客技术的视频，提到了一款叫做Kail的linux发行版。然后在好奇心的驱使下，就给自己的电脑装了一个。装好之后，打开一看。“哇，这不就是我一直想要的工具吗？”然后又一道新世界的大门向我展开了。知道了Kail以及里面工具的名称，再加上去年学的理论知识，以及搜索引擎的帮助，没两天我就实现了之前一直想干的事情，不过仅仅出于对技术的兴趣，没做坏事。


   再往后面，做渗透的试验的时候，发现对于https的网站，解析软件就没法了，然后又研究了一下https的相关内容，目前还没有理解它的加密机理。感觉和机器学习一样，渗透方面的坑也是无穷无尽了。


   渗透测试和安全方面，既然已经开了一道门，在门外窥探了它的丰富多彩，先埋一颗种子，希望今后更进一步了解更多。






关于安全、网络渗透的一些参考网址：
http://www.jianshu.com/p/14c6a57fa5cf Kail linux 镜像制作及安装教程
https://www.ubuntu.com/download/desktop/create-a-usb-stick-on-windows 制作U盘启动项教程
http://www.kanxue.com/ 看雪论坛——国内安全论坛
http://blog.csdn.net/jfmz6oFQMALUmv6f/article/details/51336058 微信扩展教程（从抓包分析开始）






最后谈一下考研的一些纠结：


   高中几年填鸭式的学习，磨灭了我对学习的兴趣，所以大学成了学渣；工作后没有了大学那么些同龄的、好玩的小伙伴，对于不抽烟、喝酒打牌的我来说实在是太无聊了。闲暇时间除了睡觉、跑步，大部分时间只能看书、学习聊以自慰了。这样一个过程下来，渐渐的发现知识还是那么的有趣，特别是计算机和数学方面，研究的都是解决实际问题的方法，渐渐的培养起了这方面的兴趣。也燃起了学习的兴趣。所以有了考研的想法，希望能再给自己一次发自内心的、全心全意学习知识的机会。


  然后就开始看高等数学了，不过正如开篇提到的那样，精力和关注的东西有点乱，所以还没有完全静下心来往这个方向发力。


  最后，希望通过这篇文章的整理，对4、5月接触的知识有个大体的梳理，告诉自己时间去哪儿了；同时也希望自己把前面的几点放一放，专心把最后面的这件事情做好。






关于学习和考研的一些链接：
https://www.zhihu.com/question/21068499 考研数学经历分享
https://www.zhihu.com/question/27952897 公开课大全


                                                                                                        2017年05月24日