Целевая аудитория

Руководители и специалисты информационно-аналитических отделов, служб безопасности коммерческих и государственных организаций, отделов экономической и информационной безопасности и для всех, кто заинтересован в организации эффективной защиты и развития бизнеса.

Программа
  • OSINT и конкурентная разведка.

    • 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
          • 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»
        • Итоговая аттестация