认识本身的眇小，知识的渊博，保持虚心，好学
程序语言
编程语言
- C语言：一种通用的，面向过程的编程语言，广泛应用于体系软件和嵌入式开发
- C++：在C语言根本上发展而来，支持面向对象编程，常用于游戏开发，高性能盘算等范畴
- Java：一种广泛利用的面向对象的编程语言，具有跨平台性，应用于企业级应用开发等
- Python：简单易学，拥有丰富的库，适用于数据分析，人工智能，Web开发等
- JavaScript：重要用于网页前端开发，也可用于服务器端开发（Node.js）
- C#：由微软开发，重要用于Windows平台上的应用开发
- Ruby：一种简洁富有体现力的编程语言，常用于Web开发
- PHP：重要用于Web开发，尤其恰当服务端脚本编程
- Go：一种高效，简洁的编程语言，适用于网络编程和云盘算等范畴
- Swift：苹果公司开发的编程语言，用IOS和macOS应用开发
- Kotlin：可与Java互操作，重要用于Android开发
函数式编程语言
- Haskell：纯函数式编程语言，以强大的范例体系和数学上的严谨性著称
- Lisp（包括Common Lisp，Scheme等）：历史久长的编程语言家族，以其高度机动性和宏体系闻名
- Clojure：运行在Java捏造机中的Lisp方言，结合了函数式编程和Java平台的优势
数据科学和呆板学习范畴
- R：在统计分析和数据可视化方面应用广泛
- Julia：计划用于高性能科学盘算和数学分析
Web全栈开发
- TypeScript的超集，增长了静态范例检查等特性，提高了大型项目标开发服从
移动开发
- Objective-C：曾经是IOS开发的重要语言，如今逐渐被Swift取代
嵌入式体系开发
- Assembly Language（汇编语言）：不同的处理器架构有不同的汇编语言，用于对硬件举行的底层控制
其他
- Pascal：曾经在讲授和早期软件开发中有广泛应用
- Delphi（基于Object Pascal）：用于快速应用开发
- Scala：融合了面向对象编程和函数式编程，运行在Java捏造机上
- Elixir：基于Erlang捏造机，具有高并发和容错性，恰当构建分布式体系
操作体系
- ios
- mac
- linux
- windows
- android
- wince
- vxworks
- RT-Thread
windows ，mac，linux，ios这种是非实时操作体系，实时操作体系vxworks，RT-Thread，wince
Q：什么是实时与非实时？
A：我们在操作过程中，比如我们革新，点一下立马弹出，但是电脑CPU在执行的时间并没有立马执行你的命令，它大概先执行其他的命令再执行你的命令，这就是非实时的
- 非实时操作体系重要致力于在各种情况下提供良好的整体性能，用户体验和多任务处理本领，但不包管在严格的时间限制内对事件作出响应
- 实时操作体系（RTOS）， 一种专门计划用于实时应用的操作体系，其关键特性是能够在严格的时间限制内响应外部事件。这类操作体系广泛应用于对时间要求极高的情况，例如嵌入式体系、工业控制、航空航天、医疗设备、汽车电子等
硬件设备
盘算机硬件
中央处理器(CPU)：盘算机的核心部件，负责执行指令和处理数据。它的性能决定了盘算机的运行速率。
内存：用于存储正在运行的程序和数据，它的容量和速率对盘算机的性能有很大影响。
硬盘：用于恒久存储数据，包括操作体系、应用程序、文件等。硬盘的容量和读写速率也是影响盘算机性能的重要因素。
显卡：用于处理图形和图像数据，它的性能决定了盘算机的图形处理本领。对于游戏玩家和图形计划师来说，显卡的性能非常重要
主板：是盘算机的核心电路板，毗连着各种硬件设备，如CPU、内存、硬盘、显卡等。主板的质量和性能对盘算机的稳定性和扩展性有很大影响。
网络硬件
网络服务器：提供网络服务，如文件存储、电子邮件、Web服务等。网络服务器通常具有较高的性能和可靠性，以满足大量用户的需求
网络存储设备：用于存储网络中的数据，如网络附加存储(NAS)和存储地区网络(SAN)。它们提供了大容量、高可靠性的数据存储办理方案。
网络打印机：可以通过网络毗连被多台盘算机共享，方便用户打印文件。
网络摄像头：用于视频监控和远程集会等应用。它可以通过网络将视频信号传输到其他设备上。
移动设备硬件
智能手机：集成了多种功能，如通讯、拍照、娱乐、办公等。智能手机的硬件包括处理器、内存、存储、，屏幕、摄像头等
平板电脑：类似于智能手机，但屏幕更大，恰当阅读、浏览网页、观看视频等。平板电脑的硬件也包括处理器、内存、存储、屏幕、摄像头等。
可穿着设备：如智能手表、智能手环等，它们可以监测用户的健康数据、运动数据等，并与智能手机等设备举行毗连和交互。可穿着设备的硬件包括传感器，处理器，内存，存储，屏幕等
硬件发展趋势
小型化：硬件设备越来越小型化，便于携带和利用。例如，智能手机、平板电脑等移动设备的体积越来越小，性能却越来越强
高性能：随技术的不停进步，硬件设备的性能不停提高。例如，CPU的处理速率越来越快，内存和存储的容量越来越大，显卡的图形处理本领越来越强
智能化：硬件设备越来越智能化能够主动顺应不同的情况和用户需求。例如，智能手机可以根据用户的利用习惯主动调整屏幕亮度、音量等设置
互联互通：硬件设备之间的互联互通越来越精密，形成了一个巨大的物联网。例如，智能家居设备可以通过网络毗连实现主动化控制，智能汽车可以与其他车辆和交通设施举行通讯
网络范例
- 局域网（LAN）：覆盖范围较小，通常局限在几公里以内，通常用于构建企业内部网络。
- 城域网（MAN）：覆盖范围比局域网大，通常在一个都会范围内，用于毗连都会中的多个局域网。
- 广域网（WAN）：覆盖范围最广，通常凌驾都会、国家或地域，用于毗连远程的盘算机和局域网。
网络协议
- TCP/IP协议：
- 界说：传输控制协议/互联网协议，是互联网通讯的根本协议。
- 功能：将数据分割成小的数据包举行传输，并通过IP地点定位目标设备。TCP负责数据的可靠传输，IP负责数据的路由和寻址。
- 应用：广泛应用于互联网通讯、网页浏览、电子邮件等。
- HTTP协议：
- 界说：超文本传输协议，用于在网络中传输超文本的应用层协议。
- 功能：在Web浏览器和Web服务器之间传输HTML页面。
- 应用：Web应用开发、网页浏览等。
- FTP协议：
- 界说：文件传输协议，用于在网络中传输文件的协议。
- 功能：答应用户在客户端和服务器之间举行文件的上传和下载。
- 应用：文件共享、文件备份等。
- SMTP协议：
- 界说：简单邮件传输协议，用于在网络中传输电子邮件的协议。
- 功能：界说了怎样发送和吸收电子邮件。
- 应用：电子邮件服务、邮件客户端等。
- DHCP协议：
- 界说：动态主机配置协议，用于在一个网络中主动分配IP地点的协议。
- 功能：答应设备动态获取IP地点、子网掩码、网关等网络配置信息。
- 应用：企业内部网络、家庭网络等。
- DNS协议：
- 界说：域名体系协议，用于将域名解析为IP地点的协议。
- 功能：通过将用户输入的域名转换为IP地点，使盘算机能够找到目标服务器。
- 应用：互联网通讯、网页浏览等。
网络设备
- 路由器：毗连不同的网络，实现网络之间的数据转发，它根据ip地点和路由表来确定命据的传输路径
- 交换机：在局域网中毗连多台盘算机，实现数据的快速交换。它根据MAC地点来转发数据帧
- 网卡：安装在盘算机上，用于毗连网络。它将盘算机的数据转换为网络信号举行传输，并吸收网络信号转换为盘算机可辨认的数据
- 无线接入点（AP）：提供无线网络毗连，使无线设备能接入局域网或广域网
网络安全
- 防火墙：（软/硬）防火墙，它能够有效地保护内部网络资源免受外部网络的攻击和威胁
- 加密技术：对数据举行加密，防止数据被盗取或窜改
- 身份认证：确保只有授权用户能够访问网络资源，常见的身份认证方式有效户名和密码，数字证书，生物辨认等
人工智能
呆板学习（python）
- 数据收集：
- 从各种来源（如数据库、文件、网络爬虫等）收集与任务相关的数据。
- 确保数据的多样性和代表性，以覆盖各种大概的场景和情况。
- 数据预处理：
- 清洗数据，去除重复、缺失、异常或噪声数据。
- 举行特性提取和选择，从原始数据中提取有效的特性，并去除不相关或冗余的特性。
- 对数据举行归一化或尺度化处理，以确保不同特性在雷同尺度上。
- 算法选择：
- 根据任务范例（如分类、回归、聚类等）和数据特点（如线性、非线性、高维等）选择合适的呆板学习算法。
- 常见的算法包括线性回归、逻辑回归、决议树、支持向量机、神经网络等。
- 模型选择：
- 在选定的算法框架内，选择具体的模型结构和参数。
- 思量模型的复杂度、泛化本领和盘算服从等因素。
- 模型训练：
- 利用训练数据集对模型举行训练，通过迭代更新模型参数来最小化损失函数。
- 训练过程大概需要多次迭代，直到模型的性能达到肯定的要求或收敛为止。
- 模型优化：
- 采用正则化、早停法、批量尺度化等技术防止模型过拟合。
- 调整学习率、批量大小、迭代次数等超参数以优化模型性能。
- 利用交错验证等技术来更好地利用数据集，并评估模型的性能。
- 模型评估：
- 利用测试数据集对训练好的模型举行评估，盘算模型的猜测正确率、召回率、F1值等指标。
- 根据评估效果对模型举行调优，调整模型的参数和结构以达到更好的性能。
- 模型测试：
- 在现实应用场景中测试模型的性能，确保模型能够稳定、正确地完成猜测任务。
- 收集用户的反馈和数据，以便对模型举行持续改进和优化。
- 模型生存：
- 将训练好的模型生存到磁盘或数据库中，以便后续利用或部署。
- 确保模型文件的完整性和可读性。
- 模型部署：
- 将模型部署到现实应用场景中，如Web服务、移动应用、嵌入式设备等。
- 确保模型能够实时、高效地处理新的数据并输出猜测效果。
深度学习
深度学习是一种呆板学习形式，它试图模拟人脑中的神经网络结构，通过构建多层非线性处理单元（即神经元）的网络结构，从大量数据中学习和提取特性，以实现复杂任务的主动化处理和决议。深度学习的核心是神经网络，它由若干个条理构成，每个条理包罗若干个神经元。这些网络可以从原始数据中主动提取特性并举行学习。
神经网络的结构与功能
- 层级结构：神经网络由多个条理构成，包括输入层、隐藏层和输出层。输入层负责吸收原始数据，隐藏层位于输入层和输出层之间，负责学习和提取特性，输出层则给出终极猜测或分类效果。
- 神经元与毗连：神经元是神经网络的基本处理单元，它吸收上一条理神经元的输出作为输入，通过加权和转换后输出到下一条理神经元。神经元之间的毗连通过权重和偏置来实现，这些参数决定了输入值和输出值之间的关系。
深度学习的训练与优化
- 前向传播与反向传播：在神经网络中，前向传播是指输入数据从输入层开始通过网络，颠末各层的盘算和激活函数处理，终极得到输出效果的过程。反向传播则是用于更新神经网络的权重和偏置的关键步骤，它通过盘算猜测值与现实值之间的偏差，然后将偏差从输出层向前传播，根据链式法则更新每个神经元的权重和偏置。
- 损失函数与优化算法：损失函数用于权衡模型猜测效果与现实值之间的差异，是深度学习中优化的目标。常见的损失函数包括均方偏差（MSE）、交错熵损失函数等。为了最小化损失函数，深度学习利用优化算法来更新神经网络的权重和偏置。常见的优化算法包括随机梯度降落（SGD）、Adam、Adagrad等。
深度学习的常见网络范例与应用
- 卷积神经网络（CNN）：CNN是一种特别的神经网络，重要用于处理图像和视觉数据。它通过卷积层和池化层来提取图像中的局部特性，并通过全毗连层举行分类或回归任务。CNN在图像辨认、目标检测等范畴取得了重大突破。
- 循环神经网络（RNN）：RNN重要用于处理序列数据，如文本、语音等。它通过循环毗连实现对序列数据的建模，能够捕捉序列中的时序信息。RNN在天然语言处理、语音辨认等范畴有着广泛的应用。
- 其他网络范例：除了CNN和RNN外，还有深度神经网络（DNN）、是非期影象网络（LSTM）、天生对抗网络（GAN）等多种深度学习网络范例。它们在各自的范畴内发挥着重要的作用。
声明
B站全栈渗透测试讲授学习视频（免费）：
https://space.bilibili.com/350329294
学习视频来自B站UP主 泷羽sec,如涉及侵权立即删除文章
笔记的只是方便各位师傅学习知识,以下网站只涉及学习内容,其他的都与本人无关,切莫逾越法律红线,否则后果自尊
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。 |
