使用 python 语言实现水印的去除和添加，增加多种对抗

python数据分析，机器学习，预测，天池数据

The "Python Machine Learning (3nd edition)" book code repository Python 机器学习（第 3 版）代码库 第 1 版和第 2 版的代码库可从 https://github.com/rasbt/python-machine-learning-book 和 https://github.com/rasbt/python 获得-machine-learning-book-2nd-edition Python 机器学习，第 3 版。 将于 2019 年 12 月 12 日出版 平装本：770 页出版商：Packt 出版语言：英文 ISBN-10：1789955750 ISBN-13：978-1789955750 Kindle ASIN：B07VBLX2W7 链接 Amazon 页面 Packt 页面 目录和代码手册设置说明可以在第 1 章的 README.md 文件中找到 请注意，这些只是本书附带的代码示例，为了您的方便，我们上传了这些示例； 请注意，如果没有公式和描述性文本，这些笔记本可能没有用处。 机器学习 - 赋予

OpenBCI-Python

一个模拟的 SSH 服务器。很多攻击者都是 SSH 登录，你可以把这个软件在22端口启动，真正的 SSH 服务器放在另一个端口。黑客以为攻入了服务器，其实进入的是一个虚拟系统，然后会把他们的行为全部记录下来。 Cowrie 欢迎来到 Cowrie GitHub 存储库 这是用于 Cowrie SSH 和 Telnet Honeypot 工作的官方存储库。 什么是Cowrie Cowrie 是一种中等交互的SSH 和Telnet 蜜罐，旨在记录暴力攻击和攻击者执行的shell 交互。 Cowrie 还充当 SSH 和 telnet 代理，以观察攻击者对另一个系统的行为。 Cowrie 由 Michel Oosterhof 维护。 文档 文档可以在这里找到。 Slack 您可以在以下 Slack 工作区加入 Cowrie 社区。 功能 选择作为模拟 shell 运行（默认）：能够添加/删除文件的假文件系统。 包含一个类似于 Debian 5.0 安装的完整假文件系统 可以添加假文件内容，以便攻击者可以获取诸如 /etc/passwd 之类的文件。 只包含最少的文件内容 Co

低光图像增强 基于以下论文，通过光照图估计实现两种低光图像增强技术的 Python 实现： 稳健曝光校正的双光照估计 [] LIME：通过照明图估计进行低光图像增强 [] 这两种方法都基于 retinex 建模，旨在通过保留图像的突出结构来估计光照图，同时去除多余的纹理细节。 为此，两篇论文都使用了相同的优化公式（参见参考资料）。 与第二篇论文（以下称为 LIME）相比，第一篇论文（以下称为 DUAL）引入的新颖性在于对原始图像及其倒置版本的该映射的估计，它允许校正曝光不足和过度曝光图像的暴露部分。 此存储库中实现的代码允许使用这两种方法，可以从脚本参数中轻松选择。 安装 这个实现在python>=3.7上运行，使用pip安装依赖： pip3 install -r requirements.txt 用法 使用demo.py脚本来增强您的图像。 usage: demo.py

Lstm进行时间序列预测，预测股票数据，按日的数据

MK突变分析

快速傅里叶变换

相关分析 主成分分析 python源码