AI-alapú kiberbiztonság: Fenyegetések észlelése és válaszadás Képzés

Ez az oktató által vezetett, élő képzés Magyarország-ben (online vagy helyszíni) azoknak az adattudósoknak és szoftvermérnököknek szól, akik az AdaBoost segítségével szeretnének gépi tanulási algoritmusokat építeni Pythonban.

A képzés végére a résztvevők képesek lesznek:

• Beállítani a szükséges fejlesztői környezetet a gépi tanulási modellek AdaBoost-tal való létrehozásához.
• Megérteni az együttes tanulási módszert és annak alkalmazását az adaptív erősítés során.
• Megtanulni, hogyan kell AdaBoost modelleket építeni a gépi tanulási algoritmusok javításához Pythonban.
• Hiperparaméterek finomhangolásával növelni az AdaBoost modellek pontosságát és teljesítményét.

Ez az oktató által vezetett, élő képzés Magyarország (online vagy helyszíni) adattudósoknak, valamint kevésbé műszaki háttérrel rendelkező személyeknek szól, akik szeretnék az Auto-Keras segítségével automatizálni a gépi tanulási modell kiválasztását és optimalizálását.

A képzés végén a résztvevők képesek lesznek:

• Automatizálni a hatékony gépi tanulási modellek képzésének folyamatát.
• Automatikusan megkeresni a legjobb paramétereket a mélytanulási modellekhez.
• Nagyon pontos gépi tanulási modelleket építeni.
• A gépi tanulás erejét felhasználni valós üzleti problémák megoldására.

Ez az oktató által vezetett, élő képzés (online vagy helyszíni) a gépi tanulásban jártas technikai résztvevőknek szól, akik az AutoML keretrendszerek segítségével szeretnék optimalizálni a modelleket a nagy adathalmazokban rejlő összetett minták felismerésére.

Ez az oktató által vezetett, élő képzés Magyarország-ben (online vagy helyszíni) különböző szintű szakértelemmel rendelkező résztvevőknek szól, akik szeretnék kihasználni a Google AutoML platformját egyedi chatbotok létrehozására különböző alkalmazásokhoz.

A képzés végére a résztvevők képesek lesznek:

• Megérteni a chatbot-fejlesztés alapjait.
• Navigálni a Google Cloud Platformon és hozzáférni az AutoML-hez.
• Adatokat előkészíteni a chatbot modellek tanításához.
• Egyedi chatbot modelleket tanítani és értékelni az AutoML segítségével.
• Chatbotokat üzembe helyezni és integrálni különböző platformokra és csatornákra.
• Figyelni és optimalizálni a chatbotok teljesítményét az idő múlásával.

Ez az oktató által vezetett, élő képzés Magyarország (online vagy helyszíni) áttekinti a vállalati biztonság különböző aspektusait, az mesterséges intelligenciától az adatbázis-biztonságig. Emellett bemutatja a legújabb eszközöket, folyamatokat és gondolkodásmódot, amelyek szükségesek a támadások elleni védelemhez.

Ez az oktató által vezetett, élőben tartott képzés Magyarország (online vagy helyszíni) bevezetést nyújt a mintafelismerés és a gépi tanulás területére. A képzés érinti a statisztika, számítástechnika, jelfeldolgozás, számítógépes látás, adatbányászat és bioinformatika gyakorlati alkalmazásait.

A képzés végére a résztvevők képesek lesznek:

• Alapvető statisztikai módszerek alkalmazására a mintafelismerésben.
• Kulcsfontosságú modellek, például neurális hálózatok és kernel módszerek használatára az adatelemzésben.
• Fejlett technikák alkalmazására komplex problémamegoldás során.
• Különböző modellek kombinálásával javítani az előrejelzési pontosságot.

Ez az oktató által vezetett, élő képzés Magyarország (online vagy helyszíni) azoknak az adattudósoknak és adatelemzőknek szól, akik szeretnék automatizálni, értékelni és kezelni a prediktív modelleket a DataRobot gépi tanulási képességeinek felhasználásával.

A képzés végén a résztvevők képesek lesznek:

• Adathalmazokat betölteni a DataRobotba az adatok elemzéséhez, felméréséhez és minőségellenőrzéséhez.
• Modelleket építeni és betanítani a fontos változók azonosítására és a predikciós célok elérésére.
• Modelleket értelmezni, hogy értékes betekintéseket hozzanak létre, amelyek hasznosak az üzleti döntések meghozatalában.
• Modelleket monitorozni és kezelni, hogy optimalizált predikciós teljesítményt tartsanak fenn.

Ez a kurzus interaktív környezetbe vezeti be a diákokat, ahol megmutatják, hogyan kell szkennelni, tesztelni, feltörni és biztosítani a saját rendszereiket. A laborintenzív környezet minden diákot részletes ismeretekkel és gyakorlati tapasztalattal lát el a jelenlegi alapvető biztonsági rendszerekről. A diákok először megértik, hogyan működnek a peremhálózati védelemek, majd továbblépnek a saját hálózataik szkennelésére és támadására, miközben egyetlen valódi hálózat sem sérül. Ezután a diákok megtanulják, hogyan eszkalálják a jogosultságokat a betolakodók, és milyen lépésekkel lehet biztosítani egy rendszert. A diákok emellett megismerkednek a Behatolásészleléssel, Szabályzatkészítéssel, Szociális Mérnökséggel, DDoS-támadásokkal, Puffereltöltésekkel és Víruskészítéssel. Az intenzív 5 napos kurzus elvégzése után a diákok kézzelfogható megértéssel és tapasztalattal rendelkeznek az etikai hackelés területén.

Az Etikai Hackelés Képzés célja:

• Alapvető szabványok meghatározása és irányítása az informatikai biztonsági szakemberek hitelesítéséhez etikai hackelési intézkedésekben.
• Tájékoztatni a közönséget arról, hogy a hitelesített egyének megfelelnek vagy meghaladják az alapvető szabványokat.
• Az etikai hackelés mint egyedi és önszabályozó szakma megerősítése.

Célközönség:

A kurzus ideális azok számára, akik olyan pozíciókban dolgoznak, mint például, de nem kizárólagosan:

• Biztonsági mérnökök
• Biztonsági tanácsadók
• Biztonsági menedzserek
• IT igazgatók/menedzserek
• Biztonsági auditorok
• IT rendszergazdák
• IT hálózati rendszergazdák
• Hálózati architektusok
• Fejlesztők

Ez az oktató által vezetett, élő képzés Magyarország-ben (online vagy helyszíni) adatelemzők, adatelemzők és fejlesztők számára készült, akik szeretnék felfedezni az AutoML termékeket és funkciókat, hogy minimális erőfeszítéssel hozzanak létre és helyezzenek üzembe egyedi ML tanítási modelleket.

A képzés végére a résztvevők képesek lesznek:

• Felfedezni az AutoML termékvonalat, hogy különböző szolgáltatásokat implementáljanak különböző adattípusokhoz.
• Adatkészleteket előkészíteni és címkézni, hogy egyéni ML modelleket hozzanak létre.
• Modelleket tanítani és kezelni, hogy pontos és igazságos gépi tanulási modelleket hozzanak létre.
• Előrejelzéseket készíteni a tanított modellek segítségével, hogy megfeleljenek az üzleti céloknak és igényeknek.

A Certified Ethical Hacker (CEH) tanúsítvány egy világszerte keresett biztonsági tanúsítvány.

Ez a program oktatást és gyakorlatot tartalmaz, hogy felkészítse a hallgatókat a CEH tanúsítványvizsgára és a CEH gyakorlati vizsgára. Azok a jelöltek, akik sikeresen teljesítik mindkét vizsgát, megkapják a CEH Master minősítést, valamint a CEH tanúsítványt.

A hallgatók lehetőséget kapnak arra, hogy a csomagjukhoz hozzáadják a CPENT vagy a CHFI kurzust.

A Certified Penetration Testing Professional (CPENT) kurzus vagy a Computer Hacking Forensic Investigator (CHFI) kurzus képzése minden hallgatónak az EC-Council online, önálló tempójú, streaming videós programján keresztül történik.

CPENT (Pen-test):
Megtanítja a hallgatóknak, hogyan alkalmazzák a CEH programban tanult koncepciókat és eszközöket egy pen-test módszertanra egy élő kibertérben.

CHFI (Computer Forensics):
Megtanítja a hallgatóknak a számítógépes forenzikára vonatkozó módszertant, beleértve a keresést és lefoglalást, a láncolat-megőrzést, a beszerzést, a megőrzést, az elemzést és a digitális bizonyítékok jelentését.

Kurzus leírása

A CEH részletes betekintést nyújt az etikus hackelés fázisaiba, a különböző támadási vektorokba és a megelőző ellenintézkedésekbe. Megtanítja, hogyan gondolkodnak és cselekednek a hackerek rosszindulatúan, így jobban felkészülhet a saját biztonsági infrastruktúra beállítására és a jövőbeli támadások elleni védekezésre. A rendszer gyengeségeinek és sebezhetőségeinek megértése segít a szervezeteknek erősíteni a rendszerbiztonságot, hogy csökkentsék az incidensek kockázatát.

A CEH úgy lett kialakítva, hogy kezdőtől a haladóig terjedő gyakorlati környezetet és szisztematikus folyamatot biztosítson minden etikus hackelési területen és módszertanban, lehetőséget adva a szükséges tudás és készségek igazolására a CEH minősítés eléréséhez. Teljesen más megközelítést kap a biztonságért felelős intézkedések és felelősségek iránt.

Kiknek ajánljuk

• Rendvédelmi személyzet
• Rendszergazdák
• Biztonsági tisztviselők
• Katonai és védelmi személyzet
• Jogi szakemberek
• Bankárok
• Biztonsági szakemberek

A Certified Ethical Hacker Masterről

A CEH Master minősítés megszerzéséhez le kell tenni a CEH gyakorlati vizsgát. A CEH gyakorlati vizsgát úgy tervezték, hogy a hallgatók bebizonyíthassák, hogy képesek alkalmazni a CEH kurzusban tanult elveket. A gyakorlati vizsgán be kell mutatni az etikus hackelési technikák alkalmazását, mint például a fenyegetési vektorok azonosítása, hálózat vizsgálata, operációs rendszer felismerése, sebezhetőségi elemzés, rendszer hackelése és egyebek.

A CEH gyakorlati vizsgán nincsenek szimulációk. Ehelyett egy élő kibertérrel kell szembenézni, amely egy vállalati hálózatot szimulál élő virtuális gépekkel, hálózatokkal és alkalmazásokkal.

A CEH gyakorlati vizsgán található kihívások sikeres teljesítése a következő lépés a Certified Ethical Hacker (CEH) tanúsítvány megszerzése után. Mind a CEH vizsga, mind a CEH gyakorlati vizsga sikeres teljesítése esetén megkapja a CEH Master minősítést.

A Certified Ethical Hacker gyakorlati vizsgáról

Annak bizonyítására, hogy képzett vagy az etikus hackelésben, valós kihívásokkal teszteljük a képességeidet egy valós környezetben, laborok és eszközök segítségével, amelyekhez időkorláton belül kell teljesítened bizonyos etikus hackelési feladatokat, pontosan úgy, ahogy a valóságban is.

Az EC-Council CEH (gyakorlati) vizsgája egy összetett hálózatból áll, amely egy nagy vállalat valós hálózatát szimulálja, és különböző hálózati rendszereket tartalmaz (beleértve a DMZ-t, Firewalls, stb.). Az etikus hackelési készségeidet kell alkalmaznod, hogy felfedj és kihasználj valós idejű sebezhetőségeket, miközben a rendszereket auditálod.

A CPENT-ről

Az EC-Council Certified Penetration Tester (CPENT) programja a pen testről szól, és megtanít, hogyan kell fellépni egy vállalati hálózati környezetben, amelyet támadni, kihasználni, elkerülni és védeni kell. Ha eddig csak lapos hálózatokban dolgoztál, a CPENT élő gyakorlati tere megtanítja, hogy a készségeidet a következő szintre emeld, megtanítva, hogyan kell pen testet végezni IoT rendszereken, OT rendszereken, valamint hogyan kell saját exploitokat írni, saját eszközöket készíteni, haladó bináris exploitációt végezni, dupla pivotot használni a rejtett hálózatok eléréséhez, és szkripteket és exploitokat testreszabni a hálózat legbelsőbb szegmenseibe történő behatoláshoz.

A CHFI-ről

A Computer Hacking Forensic Investigator (CHFI) kurzus a digitális forenzika biztonsági területét mutatja be egy gyártófüggetlen perspektívából. A CHFI egy átfogó kurzus, amely a főbb forenzikai vizsgálati forgatókönyveket fedi le, és lehetővé teszi a hallgatók számára, hogy szükséges gyakorlati tapasztalatot szerezzenek a különböző forenzikai vizsgálati technikákkal és szabványos forenzikai eszközökkel, amelyek szükségesek egy számítógépes forenzikai vizsgálat sikeres lebonyolításához.

Ez az oktató által vezetett, élő képzés (online vagy helyszíni) azoknak a fejlesztőknek szól, akik a Google ML Kit segítségével szeretnének gépi tanulási modelleket építeni, amelyek mobil eszközökön történő feldolgozásra vannak optimalizálva.

A képzés végére a résztvevők képesek lesznek:

• Beállítani a szükséges fejlesztői környezetet a gépi tanulási funkciók mobilalkalmazásokba történő fejlesztéséhez.
• Új gépi tanulási technológiákat integrálni Android és iOS alkalmazásokba az ML Kit API-k segítségével. 
• Meglévő alkalmazásokat fejleszteni és optimalizálni az ML Kit SDK segítségével eszközön történő feldolgozásra és telepítésre.

A mintázatillesztés egy olyan technika, amelyet a képekben lévő meghatározott mintázatok lokalizálására használnak. Segítségével meghatározható, hogy egy rögzített képben megtalálhatóak-e a meghatározott jellemzők, például egy gyártósoron lévő hibás terméken az elvárt címke vagy egy alkatrész meghatározott méretei. A "Mintázatfelismeréstől" (amely általános mintázatokat ismer fel a kapcsolódó minták nagyobb gyűjteménye alapján) abban különbözik, hogy konkrétan meghatározza, mit keresünk, majd megmondja, hogy az elvárt mintázat létezik-e vagy sem.

A kurzus formátuma

• Ez a kurzus bemutatja a mintázatillesztés területén használt megközelítéseket, technológiákat és algoritmusokat a gépi látás alkalmazásában.

Ez az oktató által vezetett, élő képzés Magyarország-ban (online vagy helyszíni) adattudósok és szoftvermérnökök számára készült, akik a Random Forest módszerrel szeretnének gépi tanulási algoritmusokat építeni nagy adathalmazokhoz.

A képzés végére a résztvevők képesek lesznek:

• Beállítani a szükséges fejlesztői környezetet, hogy elkezdhessék a gépi tanulási modellek építését a Random Forest módszerrel.
• Megérteni a Random Forest előnyeit és hogyan implementálható osztályozási és regressziós problémák megoldására.
• Megtanulni, hogyan kell kezelni a nagy adathalmazokat és értelmezni a Random Forest több döntési fáját.
• Kiértékelni és optimalizálni a gépi tanulási modell teljesítményét a hiperparaméterek hangolásával.

Ez az oktató által vezetett, élő képzés Magyarország (online vagy helyszíni) középhaladó szintű adatelemzőknek szól, akik szeretnének megtanulni, hogyan használják a RapidMiner-t értékek becslésére és vetítésére, valamint hogyan alkalmazzák az analitikai eszközöket időszakos előrejelzéshez.

A képzés végén a résztvevők képesek lesznek:

• Megtanulják alkalmazni a CRISP-DM módszertant, kiválasztani a megfelelő gépi tanulási algoritmusokat, és javítani a modellépítést és -teljesítményt.
• Használni a RapidMiner-t értékek becslésére és vetítésére, valamint alkalmazni az analitikai eszközöket időszakos előrejelzéshez.

A RapidMiner egy nyílt forráskódú adattudományi szoftverplatform, amely gyors alkalmazásprototípus-készítésre és fejlesztésre szolgál. Integrált környezetet biztosít az adatelőkészítéshez, gépi tanuláshoz, mély tanuláshoz, szövegbányászathoz és prediktív elemzéshez.

Ebben az oktató által vezetett, élő képzésben a résztvevők megtanulják, hogyan használhatják a RapidMiner Studiot adatelőkészítésre, gépi tanulásra és prediktív modellek üzembe helyezésére.

A képzés végére a résztvevők képesek lesznek:

• A RapidMiner telepítésére és konfigurálására
• Adatok előkészítésére és vizualizálására a RapidMinerrel
• Gépi tanulási modellek validálására
• Adatok összevonására és prediktív modellek létrehozására
• Prediktív elemzés üzleti folyamatba történő beágyazására
• A RapidMiner hibaelhárítására és optimalizálására

Közönség

• Adattudósok
• Mérnökök
• Fejlesztők

A képzés formátuma

• Részben előadás, részben vita, gyakorlatok és intenzív gyakorlati alkalmazás

Megjegyzés

• Ha egyedi képzést szeretne kérni ehhez a kurzushoz, kérjük, lépjen kapcsolatba velünk a megbeszélés érdekében.