fbpx

Aprenda realizar Detecção de Intrusão com o uso de Machine Learning para trabalhar na área de cibersegurança defensiva.

Plataforma de estudo

Tenha uma experiência única em nossa plataforma com mais
de 40 horas de conteúdo extra além do curso.

Treine o que aprendeu

Treine na prática o que aprendeu nas aulas em nossos
laboratórios de testes e com exercícios de fixação na plataforma.

MAIS QUE UMA EXPERIÊNCIA. UM FUTURO.

VOCÊ VAI APRENDER

1. Introdução a Detecção de Intrusão

Entenda como os sistemas de reconhecimento de ataques funcionam e os aspectos fundamentais da evolução ao longo dos últimos anos.

2. Práticas com Linux (Bruteforce Prevention)

Implemente um Sistema de Detecção de Intrusão de Host tradicional, capaz de avaliar o comportamento do Sistema Operacional em busca de anomalias.

3. Introdução ao Machine Learning

Entenda os conceitos introdutórios de Aprendizagem de Máquina, como métodos supervionados, não-supervisionados, classificação, regressão e clustering.

4. Pré-processamento de Datasets

Tratar os dados é fundamental para aprimorar o desempenho na detecção de ataques. Entenda como filtrar, discretizar e normalizá-los.

5. Avaliação de desempenho dos IDS

Veja como avaliar o “quão bom” é um IDS com diversas métricas de avaliação de desempenho baseadas na Confusion Matrix resultante da detecção dos ataques.

6. k-Nearest Neighbors (R ou Python)

O algoritmo k-Nearest Neighbors é conhecido pela sua simplicidade de funcionamento e pelos excelentes resultados. Vamos implementá-lo?

7. S.M.O.T.E

Balancear classes pode ser fundamental. A Synthetic Minority Over-sampling Technique pode ajudar nesta tarefa.

8. Support-vector Machines

O algoritmo Support-vector Machines é eficaz para lidar com situações complexas como sobreposição de dados. Possui diversos kernels, cada qual com sua característica. Vamos codificá-lo?

9. Neural Networks

As Neural Networks são conhecidas pela impressionante capacidade de reconhecer padrões. Serão elas capazes de detectar ataques com eficácia?

10. Decision Trees

As Decision Trees são estruturas hierárquicas clássicas que entregam também uma ótima alternativa na detecção de ataques. Vamos criar algumas?

11. Waikato Environment for Knowledge Analysis

A ferramenta Waikato Environment for Knowledge Analysisé uma alternativa excelente para quem não gosta de codificar. É bastante usada pela comunidade. Exploraremos a ferramenta.

12. Microsoft Azure Machine Learning Studio

A ferramenta Microsoft Azure Machine Learning Studio é uma alternativa excelente para quem não gosta de codificar. O ambiente é muito amigável e o processamento em núvem um diferencial. Exploraremos a ferramenta.

13. Ensemble Learning

Nós conheceremos diversos algoritmos. Que tal uni-los e criar um método coletivo de classificação? Os resultados são surpreeendentes na maioria das vezes. Vamos implementar Ensemble Learning?

14. Stacking Ensemble Learning

Stacking Ensemble Learning nos proporciona uma forma de empilhar classificadores de maneira com que os resultados sejam melhorados. Vamos criar alguns meta-modelos?

15. Estudo de Caso

Implementação de duas visões científicas relevantes: Diversity Pruning e um comparativo entre os métodos mRMR e PFI.

CERTIFICADO

Após a conclusão do curso você recebe nosso Certificado Digital reconhecido internacionalmente.

Pré-requisitos

  • Fundamentos em redes.
  • Lógica de programação.

Mais Detalhes

Carga Horária Assinatura Investimento
30 horas 1 ano de acesso R$ 1.200,00
attach_money

Formas de Pagamento

– Até 10x sem juros no cartão de crédito.
– Até 12x no boleto financiado com a Provi.
– 1.100 reais à vista no boleto, TED ou PIX.
* Para pagamentos internacionais entre em contato conosco.

Perguntas Frequentes

Menu
Conversar
1
Dúvidas?
Fale com atendente
Olá, deseja matricular-se no curso? Tem alguma dúvida?