Інтелектуальний аналіз даних в кібербезпеці

Мета вивчення дисципліни:
- отримання систематичних знань та навичок інтелектуального аналізу даних;
- можливість розробляти складні програмні застосунки інтелектуального аналізу даних;
- отримання комплексного розуміння того, як розробляти, впроваджувати та підтримувати ефективний аналіз даних у процесах кібербезпеки;
- формування розуміння принципів, методів та інструментів інтеграції функцій інтелектуального аналізу даних в загальну систему кібербезпеки.
Завдання вивчення дисципліни:
здобувач вищої освіти повинен знати:
- методи класифікації та кластеризації отриманих даних;
- методи очищення даних;
- підходи до ідентифікації математичних моделей на основі отриманих даних;
- основні принципи роботи з нейронними мережами;
- основи візуалізації даних та пошуку асоціацій, прогнозування;
- основні програми для інтелектуального аналізу даних.

здобувач вищої освіти повинен вміти:
-    створювати та використовувати моделі на підставі оброблених даних;
- розробляти складні програмні застосунки інтелектуального аналізу даних;
- розробляти і впроваджувати методи інтелектуального аналізу даних в систему кібербезпеки.

Практичне значення та використання отриманих знань:
- процеси, розроблені на основі отриманих знань, допомагають удосконалювати прийняті методи та алгоритми кібербезпеки;
- вміння розробляти та використовувати програмне забезпечення інтелектуального аналізу даних дозволяють пришвидшити процеси боротьби з кіберінцидентами;
- використання принципів та базових концепцій, як складової частини технології функціонування об'єктів професійної діяльності в інформаційних системах економічного, управлінського, виробничого, наукового призначення.
 Тематика та види навчальних занять

Для денної форми здобуття освіти

Лекційні заняття

    Лекція 1. Основні поняття, які використовуються при аналізі даних
    Лекція 2. Задачі класифікації і кластеризації
    Лекція 3. Прогнозування і візуалізація
    Лекція 4. Статистичний аналіз даних
    Лекція 5. Огляд методів класифікації та прогнозування
    Лекція 6. Основні принципи роботи з нейронними мережами
    Лекція 7. Нейронні мережі в matlab і карти кохонена
    Лекція 8. Кластерний аналіз. Ієрархічні і ітеративні методи
    Лекція 9. Автоматизація та ітеративна кластеризації у програмі spss і пошук асоціативних правил
    Лекція 10. Пошук асоціативних правил і візуалізація
    Лекція 11. Комплексний підхід до впровадження data mining в кібербезпеці 
    Лекція 12. Масове очищення даних
    Лекція 13. Побудова і використання моделей
    Лекція 14. Програмні інструменти data mining
    Лекція 15. Системи statistica, oracle, deductor, kxen

Лабораторні заняття

Лабораторне заняття №1. Обчислення відстаней між класами, об’єктом та класом.
Мета заняття: Отримання практичних навичок визначення ступеня подібності у метричному просторі об’єктів та класу, двох класів.
Лабораторне заняття № 2. Дослідження функції подібності. Списки.
Мета заняття: Отримання практичних навичок дослідження поведінки функцій подібності для різних бінарних значень суттєвих ознак об’єктів при визначенні їх схожості та розробка процедури обчислення відстані між списками.
Лабораторне заняття № 3. Автоматична система класифікації. Алгоритм Максиміну.
Мета заняття: Отримання практичних навичок використання методів автоматичної класифікації й розробка системи класифікації, що самонавчається, «без учителя».
Лабораторне заняття № 4. Автоматична система класифікації «з учителем». 
Мета заняття: Отримання практичних навичок автоматичної класифікації. 
Лабораторне заняття № 5. Алгоритм k-середніх.
Мета заняття: Розробка та дослідження системи класифікації, що самонавчається, «з учителем»
Лабораторне заняття № 6. Автоматична система нечіткої класифікації.
Мета заняття: Отримання практичних навичок нечіткої класифікації об’єктів та інформації.
Лабораторне заняття № 7. Нечіткий алгоритм k-середніх.
Мета заняття: Розробка та дослідження системи нечіткої класифікації.

Для заочної форми здобуття освіти

Лекційні заняття

Лекція 1. Огляд методів класифікації та прогнозування.
Лекція 2. Ідентифікація загроз, вразливостей та реагування.

Лабораторні заняття

Лабораторне заняття №1. Автоматична система класифікації «з учителем». Алгоритм k-середніх.
Мета заняття: Отримання практичних навичок автоматичної класифікації. Розробка та дослідження системи класифікації, що самонавчається, «з учителем»
Лабораторне заняття № 2. Автоматична система нечіткої класифікації. Нечіткий алгоритм k-середніх.
Мета заняття: Отримання практичних навичок нечіткої класифікації об’єктів та інформації. Розробка та дослідження системи нечіткої класифікації.

Консультації здійснюються впродовж семестру згідно встановленого розкладу.

 Індивідуальна робота

Для денної форми здобуття освіти
Не передбачена.

Для заочної форми здобуття освіти
Контрольна робота
Завдання для виконання контрольної роботи здобувачі отримують на установчій лекції.
Робота містить 2 теоретичні питання та 1 комплексне практичне завдання відповідно до варіанту індивідуального завдання..
Обсяг відповіді на кожне теоретичне питання: не менше, ніж 1 сторінка друкованого тексту. Текст відповіді повинен бути виконаний самостійно, а не скопійованим з навчального посібника або згенерований штучним інтелектом.
План виконання:
- аналіз предметної області з урахуванням кібербезпеки та захисту інформації;
- опис вивчених алгоритмів;
- розв’язання задач;
- оформлення контрольної роботи.
Термін надання виконаної контрольної роботи на перевірку – не пізніше, ніж за місяць до початку сесії.

Форми контрольних заходів та оцінювання результатів навчання

Для денної форми здобуття освіти
Поточний контроль полягає у виконанні:
1) 7-ми лабораторних робіт. Лабораторні роботи виконуються в інтегрованих середовищах програмування і полягають в розв'язуванні типових індивідуальних завдань відповідно до теми та мети лабораторних занять. Лабораторні роботи оформлюються у вигляді протоколів. Бездоганне виконання, індивідуального завдання, лабораторних робіт №1 - №7 оцінюються по 6 балів;
2) двох модульних контрольних робіт. Модульні контрольні роботи складаються з теоретичної і практичної частин та проводяться у формі комп'ютерного тестування.
Бездоганне виконання кожної модульної контрольної роботи становить 29 балів.
Завдання вважається виконаним бездоганно, якщо виконані всі пункти та усно надане повне пояснення використаних структурних елементів.
Підсумковий контроль – залік. Максимальна оцінка, яку може отримати здобувач освіти – 100 балів. Мінімальна оцінка, яка дозволяє отримати «зараховано» - 60 балів.

Для заочної форми здобуття освіти
Поточний контроль полягає у виконанні:
1) 2х лабораторних робіт. Лабораторні роботи виконуються індивідуально та оформлюються у вигляді протоколів. Бездоганне виконання оцінюється по 20 балів.
2) захист контрольної роботи. Бездоганне виконання контрольної роботи оцінюється у 30 балів. При її захисті здобувач освіти може отримати до 30 балів.
Завдання вважається виконаним бездоганно, якщо виконані всі пункти та усно надане повне пояснення використаних структурних елементів.
Підсумковий контроль – залік. Максимальна оцінка, яку може отримати здобувач освіти – 100 балів. Мінімальна оцінка, яка дозволяє отримати «зараховано» - 60 балів.