Методы киберразведки. Новый арсенал OSINT в цифровом мире (Андрей Масалович)

[Аноним]

Ссылка на картинку

Программа включает модули:

· 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
  • 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»