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

    Продолжительность: 8 ак. часов
    Автор и преподаватель: Игорь Нежданов, технический руководитель направления brand protection, Group IB

    • 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
    • Раздел 4. Аналитик. Как развивать аналитические способности

      • Память
      • Внимание
      • Любопытство
      • Точность передачи данных
      • Усидчивость
      • Переключаемость
    • Раздел 5. Возможная автоматизация работы аналитика

      • Что можно автоматизировать
      • Существующие решения
      • Полный цикл на примере программы «Д. Ватсон»

    Итоговая аттестация