- #SkladchinaVip
- #1
Методы киберразведки. Новый арсенал OSINT в цифровом мире [Андрей Масалович]
- Ссылка на картинку
-
Программа включает модули:
· Методы киберразведки. Новый арсенал OSINT в цифровом мире
· Основы машинного обучения и нейронных сетей
· Методы киберразведки. Новый арсенал OSINT в цифровом мире
- OSINT и конкурентная разведка
- Терминология, история, методология, общие принципы и правовые основы деятельности Работа с базами данных в цифровом мире.
- Поиск информации о людях, компаниях, событиях
- Поиск субъектов в офшорных юрисдикциях
- Due Diligence
- Новый взгляд на традиционные поисковые системы
- Логика работы поисковиков
- Изменение алгоритмов ранжирования
- Изменения в языке запросов
- Новые поисковые системы и их особенности
- Поиск информации в невидимом Интернете
- Работа с источниками в «сером интернете», даркнете, в мессенджерах, в среде Tor
- Сбор информации из подключенных цифровых устройств.
- Использование мобильных приложений, GPS-трекеров, умных камер и других IoT для сбора информации о владельцах.
- Разведка по Большим данным
- Сбор Больших данных
- Новые методы анализа (обогащение, очистка, ассоциирование, машинное обучение, нейронные сети)
- Подготовка отчетов на основе проведенного анализа для принятия управленческих решений
- Обзор современных инструментов OSINT и разведки в Интернете: Palantir, IBM i2, IBM Watson, HPE Idol, Avalanche Palantir, IBM i2, IBM Watson, HPE Idol, Avalanche
- Кейсы и решения типовых практических задач для разных отраслей.
- Мастер-класс «Идентификация личности по цифровым отпечаткам на основе методов OSINT».
· Основы машинного обучения и нейронных сетей
- Введение в машинное обучение (Machine Learning, ML)
- Основная терминология, область применения и актуальность;
- Типовые ML задачи;
- Обучение с учителем: классы алгоритмов и разбор конкретных алгоритмов;
- Обучение без учителя: классы алгоритмов и разбор конкретных алгоритмов;
- Обучение с подкреплением: классы алгоритмов и разбор конкретных алгоритмов;
- Практика: создание первой модели
- Современный процесс создания ML-моделей
- Как сформулировать задачу
- 1. Поиск и источники данных
- 2. Препроцессинг данных
- 3. Выбор подходящего ML-алгоритма
- 4. Тренировка модели
- 5. Оценка результата
- Data science инструменты: основные языки программирования, ML-фреймворки и облачные сервисы
- Практика: создание ML-модели с использованием облачного сервиса
- Введение в глубокое обучение (Deep Learning, DL)
- Основная терминология, область применения и актуальность;
- Основы нейронных сетей. Персептрон;
- Современные нейросетевые архитектуры;
- Сверточные нейронные сети;
- Рекуррентные нейронные сети;
- Состязательные нейронные сети
- Автоэнкодеры;
- Data science инструменты: DL-фреймворки;
- Практика:
- 1. Основы R
- 2.Лабораторная по задаче компьютерного зрения
- 3. Лабораторная по предсказания значения временных рядов.
- Эффективный поиск информации в Интернете
- Особенности функционирования поисковых систем
- Построение сложных запросов
- Соцсети как источник информации
- Специфические источники информации
- Теория анализа
- Что такое анализ информации.
- Как происходит анализ. Определение последовательности действий.
- Целеуказание. Определение цели и постановка задач.
- Планирование исследований.
- Свойства информации (оценка информации).
- Методы и приемы анализа
- Предварительная обработка информации или с чего начать анализ
- Выделение утверждений
- Формализация текста
- Интерпретация данных
- Дезинформация – что это такое и как ее выявлять
- Приемы анализа
- 1. Описание
- 2. Аналогия
- 3. Группировка данных
- Методы анализа
- 1. Исторический метод (ретроспективный анализ):
- 2. Анализ связей
- 3. Анализ силы связей
- 4. Сопоставление информации
- Лингвистический метод
- 1. Анализ отдельных слов
- 2. Анализ соединения слов
- 3. Анализ знаков препинания
- Творческий метод
- 1. Анализ возможностей
- 2. Анализ сценариев
- 3. Декомпозиция
- Прогнозирование
- Практические задания
- Аналитик. Как развивать аналитические способности
- Память
- Внимание
- Любопытство
- Точность передачи данных
- Усидчивость
- Переключаемость
- Возможная автоматизация работы аналитика
- Что можно автоматизировать
- Существующие решения
- Полный цикл на примере программы «Д. Ватсон»