Detekcja Cyber ataków przy pomocy uczenia maszynowego

499,00 

Kurs w trakcie przygotowania 

Sztuczna inteligencja oraz uczenie maszynowe wykorzystywane są w wielu dziedzinach, a więc także w cyberbezpieczeństwie. Ten kurs pozwoli Ci na prawdziwych danych sprawdzić i sklasyfikować czy dany sygnał mógł być cyberatakiem czy też nie.

Brak w magazynie

Opis

Kurs w liczbach:

  • Liczba zadań praktycznych w kursie: 29 zadań
  • Liczba minut materiału video:
  • Liczba stron materiałów pdf:
  • Poziom trudności: Średniozaawansowany 
  • Szacowany czas uczenia kursu: 20h

Co uzyskujesz w ramach kursu: 

  • Dostęp do środowiska programistycznego w przeglądarce wraz z systemem automatycznego testowania programów przez 12 miesięcy od zakupu kursu 
  • Nielimitowany dostęp do materiałów video prezentujących sposób rozwiązania zadania wraz z omówieniem 
  • Nielimitowany dostęp do materiałów teoretycznych pdf wprowadzających w tematykę zadań praktycznych 
  • Nielimitowany dostęp do napisanych programów w ramach sprawdzanych zadań na platformie  
  • Imienny certyfikat ukończenia kursu (warunek wykonania poprawnie min. 85% zadań przewidzianych w kursie

Zawartość kursu:

  1. Oszustwa Bankowe
    • Wczytanie i przygotowanie danych
    • Podział na zbiory X i Y
    • Zakodowanie danych
    • Skalowanie danych
    • Podział na dane treningowe i testowe
    • Budowa oraz trening modelu
    • Predykcja i ewaluacja
  2. Analiza ruchu w systemie Android 
    • Wczytanie i przygotowanie danych
    • Zakodowanie danych
    • Skalowanie danych
    • Podział na dane treningowe i testowe
    • Budowa oraz trening modelu
    • Predykcja i ewaluacja
  3. UNSW
    • Wczytanie danych
    • Wizualizacja danych
    • Usunięcie kolumn
    • Kodowanie danych
    • Podzielenie zbioru danych na zbiory X i Y
    • Skalowanie danych
    • Utworzenie i trening modeli
    • Predykcja
    • Sprawdzenie skuteczności i wizualizacja wyników
  4. Malicious – detekcja cyberataków
    • Wczytanie i początkowe przygotowanie danych
    • Modyfikacja danych
    • Wizualizacja danych (wykresy słupkowe)
    • Podział danych
    • Budowa i trening klasyfikatora RandomForest
    • Predykcja i ocena trafności modelu
    • Porównanie klasyfikatorów