Applications of AI for Anomaly Detection (AAAD)

 

Résumé du cours

Learn to detect anomalies in large datasets to identify network intrusions using supervised and unsupervised machine learning techniques, such as accelerated XGBoost, autoencoders, and generative adversarial networks (GANs).

Please note that once a booking has been confirmed, it is non-refundable. This means that after you have confirmed your seat for an event, it cannot be cancelled and no refund will be issued, regardless of attendance.

Moyens Pédagogiques :
  • Quiz pré-formation de vérification des connaissances (si applicable)
  • Réalisation de la formation par un formateur agréé par l’éditeur
  • Formation réalisable en présentiel ou en distanciel
  • Mise à disposition de labs distants/plateforme de lab pour chacun des participants (si applicable à la formation)
  • Distribution de supports de cours officiels en langue anglaise pour chacun des participants
    • Il est nécessaire d'avoir une connaissance de l'anglais technique écrit pour la compréhension des supports de cours
Moyens d'évaluation :
  • Quiz pré-formation de vérification des connaissances (si applicable)
  • Évaluations formatives pendant la formation, à travers les travaux pratiques réalisés sur les labs à l’issue de chaque module, QCM, mises en situation…
  • Complétion par chaque participant d’un questionnaire et/ou questionnaire de positionnement en amont et à l’issue de la formation pour validation de l’acquisition des compétences

Pré-requis

  • Professional data science experience using Python
  • Experience training deep neural networks

Objectifs

  • Prepare data and build, train, and evaluate models using XGBoost, autoencoders, and GANs
  • Detect anomalies in datasets with both labeled and unlabeled data
  • Classify anomalies into multiple categories regardless of whether the original data was labeled

Suite de parcours

Contenu

Introduction

  • Meet the instructor.
  • Create an account at courses.nvidia.com/join

Anomaly Detection in Network Data Using GPU-Accelerated XGBoost

  • Learn how to detect anomalies using supervised learning:
    • Prepare data for GPU acceleration using the provided dataset.
    • Train a binary and multi-class classifier using the popular machine learning algorithm XGBoost.
    • Assess and improve your model’s performance before deployment.

Anomaly Detection in Network Data Using GPU-Accelerated Autoencoder

  • Learn how to detect anomalies using modern unsupervised learning:
    • Build and train a deep learning-based autoencoder to work with unlabeled data.
    • Apply techniques to separate anomalies into multiple classes.
    • Explore other applications of GPU-accelerated autoencoders.

Project: Anomaly Detection in Network Data Using GANs

  • Learn how to detect anomalies using GANs:
    • Train an unsupervised learning model to create new data.
    • Use that new data to turn the problem into a supervised learning problem.
    • Compare the performance of this new approach to more established approaches.

Assessment and Q&A

Prix & Delivery methods

Formation en ligne

Durée
1 jour

Prix
  • US$ 500,–
Dates et Inscription
Demande de date

Actuellement aucune session planifiée