· 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.
· Анализ неструктурированной информации
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