Opleidingen
68.894
resultaten
AI+ Data Practitioner™
's-Hertogenbosch
ma 12 okt. 2026
Formerly known as AI+ Data™<br> <br> Mastering AI, Maximizing Data: Your Path to Innovation
Core Concepts Covered: Data Science foundations, Python, Statistics, and Data Wrangling
Advanced Topics: Dive into Generative AI, Machine Learning, and Predictive Analytics
Capstone Application: Solve real-world problems like employee attrition with AI
Career Readiness: Develop skills for AI-driven data science roles with hands-on mentorship
Course Overview
Course Introduction Preview Module 1: Foundations of Data Science
1.1 Introduction to Data Science
1.2 Data Science Life Cycle
1.3 Applications of Data Science
Module 2: Foundations of Statistics
2.1 Basic Concepts of Statistics
2.2 Probability Theory
2.3 Statistical Inference
Module 3: Data Sources and Types
3.1 Types of Data
3.2 Data Sources
3.3 Data Storage Technologies
Module 4: Programming Skills for Data Science
4.1 Introduction to Python for Data Science
4.2 Introduction to R for Data Science
Module 5: Data Wrangling and Preprocessing
5.1 Data Imputation Techniques
5.2 Handling Outliers and Data Transformation
Module 6: Exploratory Data Analysis (EDA)
6.1 Introduction to EDA
6.2 Data Visualization
Module 7: Generative AI Tools for Deriving Insights
7.1 Introduction to Generative AI Tools
7.2 Applications of Generative AI
Module 8: Machine Learning
8.1 Introduction to Supervised Learning Algorithms
8.2 Introduction to Unsupervised Learning
8.3 Different Algorithms for Clustering
8.4 Association Rule Learning with Implementation
Module 9: Advance Machine Learning
9.1 Ensemble Learning Techniques
9.2 Dimensionality Reduction
9.3 Advanced Optimization Techniques
Module 10: Data-Driven Decision-Making
10.1 Introduction to Data-Driven Decision Making
10.2 Open Source Tools for Data-Driven Decision Making
10.3 Deriving Data-Driven Insights from Sales Dataset
Module 11: Data Storytelling
11.1 Understanding the Power of Data Storytelling
11.2 Identifying Use Cases and Business Relevance
11.3 Crafting Compelling Narratives
11.4 Visualizing Data for Impact
Module 12: Capstone Project - Employee Attrition Prediction
12.1 Project Introduction and Problem Statement
12.2 Data Collection and Preparation
12.3 Data Analysis and Modeling
12.4 Data Storytelling and Presentation
Optional Module: AI Agents for Data Analysis
1. Understanding AI Agents
2. Case Studies
3. Hands-On Practice with AI Agents
Tools you will explore
Google Colab
MLflow
Alteryx
KNIME
Online proctored exam included, with one free retake.
Exam format: 50 questions, 70% passing, 90 minutes, online proctored exam
Access to all materials and exams is provided for 365 days after delivery.
Instructor-led OR Self-paced course + Official exam + Digital badge
€3.930
Klassikaal
max 12
5 dagen
AI+ Data Practitioner™ eLearning
Formerly known as AI+ Data™<br> <br> Mastering AI, Maximizing Data: Your Path to Innovation
Core Concepts Covered: Data Science foundations, Python, Statistics, and Data Wrangling
Advanced Topics: Dive into Generative AI, Machine Learning, and Predictive Analytics
Capstone Application: Solve real-world problems like employee attrition with AI
Career Readiness: Develop skills for AI-driven data science roles with hands-on mentorship
Course Overview
Course Introduction Preview Module 1: Foundations of Data Science
1.1 Introduction to Data Science
1.2 Data Science Life Cycle
1.3 Applications of Data Science
Module 2: Foundations of Statistics
2.1 Basic Concepts of Statistics
2.2 Probability Theory
2.3 Statistical Inference
Module 3: Data Sources and Types
3.1 Types of Data
3.2 Data Sources
3.3 Data Storage Technologies
Module 4: Programming Skills for Data Science
4.1 Introduction to Python for Data Science
4.2 Introduction to R for Data Science
Module 5: Data Wrangling and Preprocessing
5.1 Data Imputation Techniques
5.2 Handling Outliers and Data Transformation
Module 6: Exploratory Data Analysis (EDA)
6.1 Introduction to EDA
6.2 Data Visualization
Module 7: Generative AI Tools for Deriving Insights
7.1 Introduction to Generative AI Tools
7.2 Applications of Generative AI
Module 8: Machine Learning
8.1 Introduction to Supervised Learning Algorithms
8.2 Introduction to Unsupervised Learning
8.3 Different Algorithms for Clustering
8.4 Association Rule Learning with Implementation
Module 9: Advance Machine Learning
9.1 Ensemble Learning Techniques
9.2 Dimensionality Reduction
9.3 Advanced Optimization Techniques
Module 10: Data-Driven Decision-Making
10.1 Introduction to Data-Driven Decision Making
10.2 Open Source Tools for Data-Driven Decision Making
10.3 Deriving Data-Driven Insights from Sales Dataset
Module 11: Data Storytelling
11.1 Understanding the Power of Data Storytelling
11.2 Identifying Use Cases and Business Relevance
11.3 Crafting Compelling Narratives
11.4 Visualizing Data for Impact
Module 12: Capstone Project - Employee Attrition Prediction
12.1 Project Introduction and Problem Statement
12.2 Data Collection and Preparation
12.3 Data Analysis and Modeling
12.4 Data Storytelling and Presentation
Optional Module: AI Agents for Data Analysis
1. Understanding AI Agents
2. Case Studies
3. Hands-On Practice with AI Agents
Tools you will explore
Google Colab
MLflow
Alteryx
KNIME
Online proctored exam included, with one free retake.
Exam format: 50 questions, 70% passing, 90 minutes, online proctored exam
Access to all materials and exams is provided for 365 days after delivery.
Instructor-led OR Self-paced course + Official exam + Digital badge
€530
E-Learning
max 999
5 dagen
AI+ Security Level 1™
Nieuwegein
ma 5 okt. 2026
Cyberbeveiliging versterken met AI
Begin uw reis op het gebied van AI-beveiliging met ons alles-in-één-pakket. Maak kennis met de belangrijkste concepten op het gebied van AI-gestuurde beveiliging, kwetsbaarheidsbeheer en intelligente reactie op bedreigingen.
Module 1: Inleiding tot cyberbeveiliging
1.1 Definitie en reikwijdte van cyberbeveiliging
1.2 Belangrijke concepten op het gebied van cyberbeveiliging
1.3 CIA-triade (vertrouwelijkheid, integriteit, beschikbaarheid)
1.4 Cybersecurity-raamwerken en -normen (NIST, ISO/IEC 27001)
1.5 Wet- en regelgeving op het gebied van cyberbeveiliging (bijv. AVG, HIPAA)
1.6 Het belang van cyberbeveiliging in moderne ondernemingen
1.7 Carrières in cyberbeveiliging
Module 2: Basisprincipes van besturingssystemen
2.1 Kernfuncties van het besturingssysteem (geheugenbeheer, procesbeheer)
2.2 Gebruikersaccounts en rechten
2.3 Toegangscontrolemechanismen (ACL's, DAC, MAC)
2.4 Beveiligingsfuncties en configuraties van het besturingssysteem
2.5 Beveiliging van het besturingssysteem versterken (patches, onnodige services uitschakelen)
2.6 Beveiligingsoverwegingen bij virtualisatie en containerisatie
2.7 Veilig opstarten en veilige toegang op afstand
2.8 Kwetsbaarheden in het besturingssysteem en maatregelen ter beperking
Module 3: Basisprincipes van netwerken
3.1 Netwerktopologieën en -protocollen (TCP/IP, OSI-model)
3.2 Netwerkapparaten en hun functies (routers, switches, firewalls)
3.3 Netwerkbeveiligingsapparaten (firewalls, IDS/IPS)
3.4 Netwerksegmentatie en -zonering
3.5 Beveiliging van draadloze netwerken (WPA2, kwetsbaarheden van Open WEP)
3.6 VPN-technologieën en gebruiksscenario's
3.7 Netwerkadresvertaling (NAT)
3.8 Basisprobleemoplossing voor netwerken
Module 4: Bedreigingen, kwetsbaarheden en exploits
4.1 Soorten bedreigingsactoren (scriptkiddies, hacktivisten, natiestaten)
4.2 Methodologieën voor het opsporen van bedreigingen met behulp van AI
4.3 AI-tools voor het opsporen van bedreigingen (SIEM, IDS/IPS)
4.4 Open-source intelligence (OSINT)-technieken
4.5 Inleiding tot kwetsbaarheden
4.6 Softwareontwikkelingscyclus (SDLC) en beveiligingsintegratie met AI
4.7 Zero-day-aanvallen en strategieën voor patchbeheer
4.8 Tools en technieken voor het scannen van kwetsbaarheden met behulp van AI
4.9 Misbruik maken van kwetsbaarheden (praktijkoefeningen)
Module 5: Inzicht in AI en ML
5.1 Een inleiding tot AI
5.2 Soorten en toepassingen van AI
5.3 Risico's in de praktijk identificeren en beperken
5.4 Een veerkrachtige en adaptieve beveiligingsinfrastructuur opbouwen met AI
5.5 Verbetering van digitale verdedigingsmechanismen met behulp van CSAI
5.6 Toepassing van machine learning in cyberbeveiliging
5.7 Bescherming van gevoelige gegevens en systemen tegen diverse cyberdreigingen
5.8 Concepten van dreigingsinformatie en dreigingsopsporing
Module 6: Basisprincipes van Python-programmeren
6.1 Inleiding tot Python-programmeren
6.2 Inzicht in Python-bibliotheken
6.3 De programmeertaal Python voor cyberbeveiligingstoepassingen
6.4 AI-scripting voor automatisering van cyberbeveiligingstaken
6.5 Gegevensanalyse en -bewerking met Python
6.6 Beveiligingstools ontwikkelen met Python
Module 7: Toepassingen van AI in cyberbeveiliging
7.1 Inzicht in de toepassing van machine learning in cyberbeveiliging
7.2 Van anomaliedetectie tot gedragsanalyse
7.3 Dynamische en proactieve verdediging met behulp van machine learning
7.4 Machine learning gebruiken voor het detecteren van e-mailbedreigingen
7.5 Verbetering van phishingdetectie met AI
7.6 Autonome identificatie en afweren van e-mailbedreigingen
7.7 Toepassing van geavanceerde algoritmen en AI bij de detectie van malwarebedreigingen
7.8 Identificatie, analyse en beperking van kwaadaardige software
7.9 Verbetering van gebruikersauthenticatie met AI-technieken
7.10 Penetratietesten met AI
Module 8: Incidentrespons en noodherstel
8.1 Incidentresponsproces (identificatie, inperking, uitroeiing, herstel)
8.2 Levenscyclus van incidentrespons
8.3 Een incidentresponsplan opstellen
8.4 Detecteren en analyseren van incidenten
8.5 Beheersing, uitroeiing en herstel
8.6 Activiteiten na een incident
8.7 Digitaal forensisch onderzoek en bewijsverzameling
8.8 Planning voor noodherstel (back-ups, bedrijfscontinuïteit)
8.9 Penetratietesten en kwetsbaarheidsbeoordelingen
8.10 Juridische en regelgevende overwegingen bij beveiligingsincidenten
Module 9: Open-sourcebeveiligingstools
9.1 Inleiding tot open-source beveiligingstools
9.2 Populaire open-sourcebeveiligingstools
9.3 Voordelen en uitdagingen van het gebruik van open-source tools
9.4 Implementatie van open-sourceoplossingen in organisaties
9.5 Ondersteuning en bronnen van de gemeenschap
9.6 Netwerkbeveiligingsscans en kwetsbaarheidsdetectie
9.7 Tools voor beveiligingsinformatie- en gebeurtenisbeheer (SIEM) (open-sourceopties)
9.8 Open-source pakketfilterende firewalls
9.9 Tools voor wachtwoordhashing en -kraken (ethisch gebruik)
9.10 Open-source forensische tools
Module 10: De toekomst beveiligen
10.1 Opkomende cyberdreigingen en trends
10.2 Kunstmatige intelligentie en machine learning in cyberbeveiliging
10.3 Blockchain voor beveiliging
10.4 Beveiliging van het Internet of Things (IoT)
10.5 Cloudbeveiliging
10.6 Kwantumcomputers en de impact ervan op de beveiliging
10.7 Cyberbeveiliging in kritieke infrastructuur
10.8 Cryptografie en veilige hashing
10.9 Bewustwording en training op het gebied van cyberbeveiliging voor gebruikers
10.10 Continue beveiligingsmonitoring en -verbetering
Module 11: Afstudeerproject
11.1 Inleiding
11.2 Use Cases: AI in cyberbeveiliging
11.3 Presentatie van de resultaten
Optionele module: AI-agenten voor beveiliging niveau 1
1. Inzicht in AI-agenten
2. Wat zijn AI-agenten
3. Belangrijkste mogelijkheden van AI-agenten in cyberbeveiliging
4. Toepassingen en trends voor AI-agenten in cyberbeveiliging
5. Hoe werkt een AI-agent
6. Kernkenmerken van AI-agenten
7. Soorten AI-agenten
Tools die u gaat verkennen
CrowdStrike
Flair.ai
ChatGPT
Pluralsight
Inclusief online examen onder toezicht, met één gratis herkansing.
Examenopzet: 50 vragen, 70% vereist om te slagen, 90 minuten, online examen onder toezicht
Toegang tot alle materialen en examens wordt gedurende 365 dagen na levering geboden.
Cursus onder begeleiding van een docent OF cursus in eigen tempo + officieel examen + digitale badge
€3.930
Klassikaal
max 12
5 dagen
AI+ Security Level 1™ eLearning
Cyberbeveiliging versterken met AI
Begin uw reis op het gebied van AI-beveiliging met ons alles-in-één-pakket. Maak kennis met de belangrijkste concepten op het gebied van AI-gestuurde beveiliging, kwetsbaarheidsbeheer en intelligente reactie op bedreigingen.
Module 1: Inleiding tot cyberbeveiliging
1.1 Definitie en reikwijdte van cyberbeveiliging
1.2 Belangrijke concepten op het gebied van cyberbeveiliging
1.3 CIA-triade (vertrouwelijkheid, integriteit, beschikbaarheid)
1.4 Cybersecurity-raamwerken en -normen (NIST, ISO/IEC 27001)
1.5 Wet- en regelgeving op het gebied van cyberbeveiliging (bijv. AVG, HIPAA)
1.6 Het belang van cyberbeveiliging in moderne ondernemingen
1.7 Carrières in cyberbeveiliging
Module 2: Basisprincipes van besturingssystemen
2.1 Kernfuncties van het besturingssysteem (geheugenbeheer, procesbeheer)
2.2 Gebruikersaccounts en rechten
2.3 Toegangscontrolemechanismen (ACL's, DAC, MAC)
2.4 Beveiligingsfuncties en configuraties van het besturingssysteem
2.5 Beveiliging van het besturingssysteem versterken (patches, onnodige services uitschakelen)
2.6 Beveiligingsoverwegingen bij virtualisatie en containerisatie
2.7 Veilig opstarten en veilige toegang op afstand
2.8 Kwetsbaarheden in het besturingssysteem en maatregelen ter beperking
Module 3: Basisprincipes van netwerken
3.1 Netwerktopologieën en -protocollen (TCP/IP, OSI-model)
3.2 Netwerkapparaten en hun functies (routers, switches, firewalls)
3.3 Netwerkbeveiligingsapparaten (firewalls, IDS/IPS)
3.4 Netwerksegmentatie en -zonering
3.5 Beveiliging van draadloze netwerken (WPA2, kwetsbaarheden van Open WEP)
3.6 VPN-technologieën en gebruiksscenario's
3.7 Netwerkadresvertaling (NAT)
3.8 Basisprobleemoplossing voor netwerken
Module 4: Bedreigingen, kwetsbaarheden en exploits
4.1 Soorten bedreigingsactoren (scriptkiddies, hacktivisten, natiestaten)
4.2 Methodologieën voor het opsporen van bedreigingen met behulp van AI
4.3 AI-tools voor het opsporen van bedreigingen (SIEM, IDS/IPS)
4.4 Open-source intelligence (OSINT)-technieken
4.5 Inleiding tot kwetsbaarheden
4.6 Softwareontwikkelingscyclus (SDLC) en beveiligingsintegratie met AI
4.7 Zero-day-aanvallen en strategieën voor patchbeheer
4.8 Tools en technieken voor het scannen van kwetsbaarheden met behulp van AI
4.9 Misbruik maken van kwetsbaarheden (praktijkoefeningen)
Module 5: Inzicht in AI en ML
5.1 Een inleiding tot AI
5.2 Soorten en toepassingen van AI
5.3 Risico's in de praktijk identificeren en beperken
5.4 Een veerkrachtige en adaptieve beveiligingsinfrastructuur opbouwen met AI
5.5 Verbetering van digitale verdedigingsmechanismen met behulp van CSAI
5.6 Toepassing van machine learning in cyberbeveiliging
5.7 Bescherming van gevoelige gegevens en systemen tegen diverse cyberdreigingen
5.8 Concepten van dreigingsinformatie en dreigingsopsporing
Module 6: Basisprincipes van Python-programmeren
6.1 Inleiding tot Python-programmeren
6.2 Inzicht in Python-bibliotheken
6.3 De programmeertaal Python voor cyberbeveiligingstoepassingen
6.4 AI-scripting voor automatisering van cyberbeveiligingstaken
6.5 Gegevensanalyse en -bewerking met Python
6.6 Beveiligingstools ontwikkelen met Python
Module 7: Toepassingen van AI in cyberbeveiliging
7.1 Inzicht in de toepassing van machine learning in cyberbeveiliging
7.2 Van anomaliedetectie tot gedragsanalyse
7.3 Dynamische en proactieve verdediging met behulp van machine learning
7.4 Machine learning gebruiken voor het detecteren van e-mailbedreigingen
7.5 Verbetering van phishingdetectie met AI
7.6 Autonome identificatie en afweren van e-mailbedreigingen
7.7 Toepassing van geavanceerde algoritmen en AI bij de detectie van malwarebedreigingen
7.8 Identificatie, analyse en beperking van kwaadaardige software
7.9 Verbetering van gebruikersauthenticatie met AI-technieken
7.10 Penetratietesten met AI
Module 8: Incidentrespons en noodherstel
8.1 Incidentresponsproces (identificatie, inperking, uitroeiing, herstel)
8.2 Levenscyclus van incidentrespons
8.3 Een incidentresponsplan opstellen
8.4 Detecteren en analyseren van incidenten
8.5 Beheersing, uitroeiing en herstel
8.6 Activiteiten na een incident
8.7 Digitaal forensisch onderzoek en bewijsverzameling
8.8 Planning voor noodherstel (back-ups, bedrijfscontinuïteit)
8.9 Penetratietesten en kwetsbaarheidsbeoordelingen
8.10 Juridische en regelgevende overwegingen bij beveiligingsincidenten
Module 9: Open-sourcebeveiligingstools
9.1 Inleiding tot open-source beveiligingstools
9.2 Populaire open-sourcebeveiligingstools
9.3 Voordelen en uitdagingen van het gebruik van open-source tools
9.4 Implementatie van open-sourceoplossingen in organisaties
9.5 Ondersteuning en bronnen van de gemeenschap
9.6 Netwerkbeveiligingsscans en kwetsbaarheidsdetectie
9.7 Tools voor beveiligingsinformatie- en gebeurtenisbeheer (SIEM) (open-sourceopties)
9.8 Open-source pakketfilterende firewalls
9.9 Tools voor wachtwoordhashing en -kraken (ethisch gebruik)
9.10 Open-source forensische tools
Module 10: De toekomst beveiligen
10.1 Opkomende cyberdreigingen en trends
10.2 Kunstmatige intelligentie en machine learning in cyberbeveiliging
10.3 Blockchain voor beveiliging
10.4 Beveiliging van het Internet of Things (IoT)
10.5 Cloudbeveiliging
10.6 Kwantumcomputers en de impact ervan op de beveiliging
10.7 Cyberbeveiliging in kritieke infrastructuur
10.8 Cryptografie en veilige hashing
10.9 Bewustwording en training op het gebied van cyberbeveiliging voor gebruikers
10.10 Continue beveiligingsmonitoring en -verbetering
Module 11: Afstudeerproject
11.1 Inleiding
11.2 Use Cases: AI in cyberbeveiliging
11.3 Presentatie van de resultaten
Optionele module: AI-agenten voor beveiliging niveau 1
1. Inzicht in AI-agenten
2. Wat zijn AI-agenten
3. Belangrijkste mogelijkheden van AI-agenten in cyberbeveiliging
4. Toepassingen en trends voor AI-agenten in cyberbeveiliging
5. Hoe werkt een AI-agent
6. Kernkenmerken van AI-agenten
7. Soorten AI-agenten
Tools die u gaat verkennen
CrowdStrike
Flair.ai
ChatGPT
Pluralsight
Inclusief online examen onder toezicht, met één gratis herkansing.
Examenopzet: 50 vragen, 70% vereist om te slagen, 90 minuten, online examen onder toezicht
Toegang tot alle materialen en examens wordt gedurende 365 dagen na levering geboden.
Cursus onder begeleiding van een docent OF cursus in eigen tempo + officieel examen + digitale badge
€530
E-Learning
max 999
5 dagen
AI+ Security Level 2™
Nieuwegein
ma 4 jan. 2027
Protect and Secure: Leverage Intelligent AI Solutions
Transform your security knowledge with our AI+ Security Level 2™ course and exam bundle. Learn essential AI-driven security strategies and safeguard next-gen technologies.
Module 1: Introduction to Artificial Intelligence (AI) and Cyber Security
1.1 Understanding the Cyber Security Artificial Intelligence (CSAI)
1.2 An Introduction to AI and its Applications in Cybersecurity
1.3 Overview of Cybersecurity Fundamentals
1.4 Identifying and Mitigating Risks in Real-Life
1.5 Building a Resilient and Adaptive Security Infrastructure
1.6 Enhancing Digital Defenses using CSAI
Module 2: Python Programming for AI and Cybersecurity Professionals
2.1 Python Programming Language and its Relevance in Cybersecurity
2.2 Python Programming Language and Cybersecurity Applications
2.3 AI Scripting for Automation in Cybersecurity Tasks
2.4 Data Analysis and Manipulation Using Python
2.5 Developing Security Tools with Python
Module 3: Application of Machine Learning in Cybersecurity
3.1 Understanding the Application of Machine Learning in Cybersecurity
3.2 Anomaly Detection to Behaviour Analysis
3.3 Dynamic and Proactive Defense using Machine Learning
3.4 Safeguarding Sensitive Data and Systems Against Diverse Cyber Threats
Module 4: Detection of Email Threats with AI
4.1 Utilizing Machine Learning for Email Threat Detection
4.2 Analyzing Patterns and Flagging Malicious Content
4.3 Enhancing Phishing Detection with AI
4.4 Autonomous Identification and Thwarting of Email Threats
4.5 Tools and Technology for Implementing AI in Email Security
Module 5: AI Algorithm for Malware Threat Detection
5.1 Introduction to AI Algorithm for Malware Threat Detection
5.2 Employing Advanced Algorithms and AI in Malware Threat Detection
5.3 Identifying, Analyzing, and Mitigating Malicious Software
5.4 Safeguarding Systems, Networks, and Data in Real-time
5.5 Bolstering Cybersecurity Measures Against Malware Threats
5.6 Tools and Technology: Python, Malware Analysis Tools
Module 6: Network Anomaly Detection using AI
6.1 Utilizing Machine Learning to Identify Unusual Patterns in Network Traffic
6.2 Enhancing Cybersecurity and Fortifying Network Defenses with AI Techniques
6.3 Implementing Network Anomaly Detection Techniques
Module 7: User Authentication Security with AI
7.1 Introduction
7.2 Enhancing User Authentication with AI Techniques
7.3 Introducing Biometric Recognition, Anomaly Detection, and Behavioural Analysis
7.4 Providing a Robust Defence Against Unauthorized Access
7.5 Ensuring a Seamless Yet Secure User Experience
7.6 Tools and Technology: AI-based Authentication Platforms
7.7 Conclusion
Module 8: Generative Adversarial Network (GAN) for Cyber Security
8.1 Introduction to Generative Adversarial Networks (GANs) in Cybersecurity
8.2 Creating Realistic Mock Threats to Fortify Systems
8.3 Detecting Vulnerabilities and Refining Security Measures Using GANs
8.4 Tools and Technology: Python and GAN Frameworks
Module 9: Penetration Testing with Artificial Intelligence
9.1 Enhancing Efficiency in Identifying Vulnerabilities Using AI
9.2 Automating Threat Detection and Adapting to Evolving Attack Patterns
9.3 Strengthening Organizations Against Cyber Threats Using AI-driven Penetration Testing
9.4 Tools and Technology: Penetration Testing Tools, AI-based Vulnerability Scanners
Module 10: Capstone Project
10.1 Introduction
10.2 Use Cases: AI in Cybersecurity
10.3 Outcome Presentation
Optional Module: AI Agents for Security Level 2
1. What Are AI Agents
2. Key Capabilities of AI Agents in Advanced Cybersecurity
3. Applications and Trends for AI Agents in Advanced Cybersecurity
4. How Does an AI Agent Work
5. Core Characteristics of AI Agents
6. Types of AI Agents
Tools you will explore
CrowdStrike
Microsoft Cognitive Toolkit (CNTK)
Flair.ai
Online proctored exam included, with one free retake.
Exam format: 50 questions, 70% passing, 90 minutes, online proctored exam
Access to all materials and exams is provided for 365 days after delivery.
Instructor-led OR Self-paced course + Official exam + Digital badge
€3.930
Klassikaal
max 12
5 dagen
AI+ Security Level 2™ eLearning
Protect and Secure: Leverage Intelligent AI Solutions
Transform your security knowledge with our AI+ Security Level 2™ course and exam bundle. Learn essential AI-driven security strategies and safeguard next-gen technologies.
Module 1: Introduction to Artificial Intelligence (AI) and Cyber Security
1.1 Understanding the Cyber Security Artificial Intelligence (CSAI)
1.2 An Introduction to AI and its Applications in Cybersecurity
1.3 Overview of Cybersecurity Fundamentals
1.4 Identifying and Mitigating Risks in Real-Life
1.5 Building a Resilient and Adaptive Security Infrastructure
1.6 Enhancing Digital Defenses using CSAI
Module 2: Python Programming for AI and Cybersecurity Professionals
2.1 Python Programming Language and its Relevance in Cybersecurity
2.2 Python Programming Language and Cybersecurity Applications
2.3 AI Scripting for Automation in Cybersecurity Tasks
2.4 Data Analysis and Manipulation Using Python
2.5 Developing Security Tools with Python
Module 3: Application of Machine Learning in Cybersecurity
3.1 Understanding the Application of Machine Learning in Cybersecurity
3.2 Anomaly Detection to Behaviour Analysis
3.3 Dynamic and Proactive Defense using Machine Learning
3.4 Safeguarding Sensitive Data and Systems Against Diverse Cyber Threats
Module 4: Detection of Email Threats with AI
4.1 Utilizing Machine Learning for Email Threat Detection
4.2 Analyzing Patterns and Flagging Malicious Content
4.3 Enhancing Phishing Detection with AI
4.4 Autonomous Identification and Thwarting of Email Threats
4.5 Tools and Technology for Implementing AI in Email Security
Module 5: AI Algorithm for Malware Threat Detection
5.1 Introduction to AI Algorithm for Malware Threat Detection
5.2 Employing Advanced Algorithms and AI in Malware Threat Detection
5.3 Identifying, Analyzing, and Mitigating Malicious Software
5.4 Safeguarding Systems, Networks, and Data in Real-time
5.5 Bolstering Cybersecurity Measures Against Malware Threats
5.6 Tools and Technology: Python, Malware Analysis Tools
Module 6: Network Anomaly Detection using AI
6.1 Utilizing Machine Learning to Identify Unusual Patterns in Network Traffic
6.2 Enhancing Cybersecurity and Fortifying Network Defenses with AI Techniques
6.3 Implementing Network Anomaly Detection Techniques
Module 7: User Authentication Security with AI
7.1 Introduction
7.2 Enhancing User Authentication with AI Techniques
7.3 Introducing Biometric Recognition, Anomaly Detection, and Behavioural Analysis
7.4 Providing a Robust Defence Against Unauthorized Access
7.5 Ensuring a Seamless Yet Secure User Experience
7.6 Tools and Technology: AI-based Authentication Platforms
7.7 Conclusion
Module 8: Generative Adversarial Network (GAN) for Cyber Security
8.1 Introduction to Generative Adversarial Networks (GANs) in Cybersecurity
8.2 Creating Realistic Mock Threats to Fortify Systems
8.3 Detecting Vulnerabilities and Refining Security Measures Using GANs
8.4 Tools and Technology: Python and GAN Frameworks
Module 9: Penetration Testing with Artificial Intelligence
9.1 Enhancing Efficiency in Identifying Vulnerabilities Using AI
9.2 Automating Threat Detection and Adapting to Evolving Attack Patterns
9.3 Strengthening Organizations Against Cyber Threats Using AI-driven Penetration Testing
9.4 Tools and Technology: Penetration Testing Tools, AI-based Vulnerability Scanners
Module 10: Capstone Project
10.1 Introduction
10.2 Use Cases: AI in Cybersecurity
10.3 Outcome Presentation
Optional Module: AI Agents for Security Level 2
1. What Are AI Agents
2. Key Capabilities of AI Agents in Advanced Cybersecurity
3. Applications and Trends for AI Agents in Advanced Cybersecurity
4. How Does an AI Agent Work
5. Core Characteristics of AI Agents
6. Types of AI Agents
Tools you will explore
CrowdStrike
Microsoft Cognitive Toolkit (CNTK)
Flair.ai
Online proctored exam included, with one free retake.
Exam format: 50 questions, 70% passing, 90 minutes, online proctored exam
Access to all materials and exams is provided for 365 days after delivery.
Instructor-led OR Self-paced course + Official exam + Digital badge
€530
E-Learning
max 999
5 dagen
AI+ Security Level 3™
Nieuwegein
ma 1 feb. 2027
Master the Future of Cybersecurity with AI-Driven Solutions
The AI+ Security Level 3™ course provides a comprehensive exploration of the intersection between AI and cybersecurity, focusing on advanced topics critical to modern security engineering. It covers foundational concepts in AI and machine learning for security, delving into areas like threat detection, response mechanisms, and the use of deep learning for security applications. The course addresses the challenges of adversarial AI, network and endpoint security, and secure AI system engineering, along with emerging topics such as AI for cloud, container security, and blockchain integration. Key subjects also include AI in identity and access management (IAM), IoT security, and physical security systems, culminating in a hands-on capstone project that tasks learners with designing and engineering AI-driven security solutions.
Module 1: Foundations of AI and Machine Learning for Security Engineering
1.1 Core AI and ML Concepts for Security
1.2 AI Use Cases in Cybersecurity
1.3 Engineering AI Pipelines for Security
1.4 Challenges in Applying AI to Security
Module 2: Machine Learning for Threat Detection and Response
2.1 Engineering Feature Extraction for Cybersecurity Datasets
2.2 Supervised Learning for Threat Classification
2.3 Unsupervised Learning for Anomaly Detection
2.4 Engineering Real-Time Threat Detection Systems
Module 3: Deep Learning for Security Applications
3.1 Convolutional Neural Networks (CNNs) for Threat Detection
3.2 Recurrent Neural Networks (RNNs) and LSTMs for Security
3.3 Autoencoders for Anomaly Detection
3.4 Adversarial Deep Learning in Security
Module 4: Adversarial AI in Security
4.1 Introduction to Adversarial AI Attacks
4.2 Defense Mechanisms Against Adversarial Attacks
4.3 Adversarial Testing and Red Teaming for AI Systems
4.4 Engineering Robust AI Systems Against Adversarial AI
Module 5: AI in Network Security
5.1 AI-Powered Intrusion Detection Systems
5.2 AI for Distributed Denial of Service (DDoS) Detection
5.3 AI-Based Network Anomaly Detection
5.4 Engineering Secure Network Architectures with AI
Module 6: AI in Endpoint Security
6.1 AI for Malware Detection and Classification
6.2 AI for Endpoint Detection and Response (EDR)
6.3 AI-Driven Threat Hunting
6.4 Implementing Lightweight AI Models for Resource-Constrained Devices
Module 7: Secure AI System Engineering
7.1 Designing Secure AI Architectures
7.2 Cryptography in AI for Security
7.3 Ensuring Model Explainability and Transparency in Security
7.4 Performance Optimization of AI Security Systems
Module 8: AI for Cloud and Container Security
8.1 AI for Securing Cloud Environments
8.2 AI-Driven Container Security
8.3 AI for Securing Serverless Architectures
8.4 AI and DevSecOps
Module 9: AI and Blockchain for Security
9.1 Fundamentals of Blockchain and AI Integration
9.2 AI for Fraud Detection in Blockchain
9.3 Smart Contracts and AI Security
9.4 AI-Enhanced Consensus Algorithms
Module 10: AI in Identity and Access Management (IAM)
10.1 AI for User Behavior Analytics in IAM
10.2 AI for Multi-Factor Authentication (MFA)
10.3 AI for Zero-Trust Architecture
10.4 AI for Role-Based Access Control (RBAC)
Module 11: AI for Physical and IoT Security
11.1 AI for Securing Smart Cities
11.2 AI for Industrial IoT Security
11.3 AI for Autonomous Vehicle Security
11.4 AI for Securing Smart Homes and Consumer IoT
Module 12: Capstone Project - Engineering AI Security Systems
12.1 Defining the Capstone Project Problem
12.2 Engineering the AI Solution
12.3 Deploying and Monitoring the AI System
12.4 Final Capstone Presentation and Evaluation
Optional Module: AI Agents for Security level 3
Understanding AI Agents
Case Studies
Hands-On Practice with AI Agents
Tools you will explore
Splunk User Behavior Analytics (UBA)
Microsoft Defender for Endpoint
Microsoft Azure AD Conditional Access
Adversarial Robustness Toolbox (ART)
Online proctored exam included, with one free retake.
Exam format: 50 questions, 70% passing, 90 minutes, online proctored exam
Access to all materials and exams is provided for 365 days after delivery.
Instructor-led OR Self-paced course + Official exam + Digital badge
€3.930
Klassikaal
max 12
5 dagen
AI+ Security Level 3™ eLearning
Master the Future of Cybersecurity with AI-Driven Solutions
The AI+ Security Level 3™ course provides a comprehensive exploration of the intersection between AI and cybersecurity, focusing on advanced topics critical to modern security engineering. It covers foundational concepts in AI and machine learning for security, delving into areas like threat detection, response mechanisms, and the use of deep learning for security applications. The course addresses the challenges of adversarial AI, network and endpoint security, and secure AI system engineering, along with emerging topics such as AI for cloud, container security, and blockchain integration. Key subjects also include AI in identity and access management (IAM), IoT security, and physical security systems, culminating in a hands-on capstone project that tasks learners with designing and engineering AI-driven security solutions.
Module 1: Foundations of AI and Machine Learning for Security Engineering
1.1 Core AI and ML Concepts for Security
1.2 AI Use Cases in Cybersecurity
1.3 Engineering AI Pipelines for Security
1.4 Challenges in Applying AI to Security
Module 2: Machine Learning for Threat Detection and Response
2.1 Engineering Feature Extraction for Cybersecurity Datasets
2.2 Supervised Learning for Threat Classification
2.3 Unsupervised Learning for Anomaly Detection
2.4 Engineering Real-Time Threat Detection Systems
Module 3: Deep Learning for Security Applications
3.1 Convolutional Neural Networks (CNNs) for Threat Detection
3.2 Recurrent Neural Networks (RNNs) and LSTMs for Security
3.3 Autoencoders for Anomaly Detection
3.4 Adversarial Deep Learning in Security
Module 4: Adversarial AI in Security
4.1 Introduction to Adversarial AI Attacks
4.2 Defense Mechanisms Against Adversarial Attacks
4.3 Adversarial Testing and Red Teaming for AI Systems
4.4 Engineering Robust AI Systems Against Adversarial AI
Module 5: AI in Network Security
5.1 AI-Powered Intrusion Detection Systems
5.2 AI for Distributed Denial of Service (DDoS) Detection
5.3 AI-Based Network Anomaly Detection
5.4 Engineering Secure Network Architectures with AI
Module 6: AI in Endpoint Security
6.1 AI for Malware Detection and Classification
6.2 AI for Endpoint Detection and Response (EDR)
6.3 AI-Driven Threat Hunting
6.4 Implementing Lightweight AI Models for Resource-Constrained Devices
Module 7: Secure AI System Engineering
7.1 Designing Secure AI Architectures
7.2 Cryptography in AI for Security
7.3 Ensuring Model Explainability and Transparency in Security
7.4 Performance Optimization of AI Security Systems
Module 8: AI for Cloud and Container Security
8.1 AI for Securing Cloud Environments
8.2 AI-Driven Container Security
8.3 AI for Securing Serverless Architectures
8.4 AI and DevSecOps
Module 9: AI and Blockchain for Security
9.1 Fundamentals of Blockchain and AI Integration
9.2 AI for Fraud Detection in Blockchain
9.3 Smart Contracts and AI Security
9.4 AI-Enhanced Consensus Algorithms
Module 10: AI in Identity and Access Management (IAM)
10.1 AI for User Behavior Analytics in IAM
10.2 AI for Multi-Factor Authentication (MFA)
10.3 AI for Zero-Trust Architecture
10.4 AI for Role-Based Access Control (RBAC)
Module 11: AI for Physical and IoT Security
11.1 AI for Securing Smart Cities
11.2 AI for Industrial IoT Security
11.3 AI for Autonomous Vehicle Security
11.4 AI for Securing Smart Homes and Consumer IoT
Module 12: Capstone Project - Engineering AI Security Systems
12.1 Defining the Capstone Project Problem
12.2 Engineering the AI Solution
12.3 Deploying and Monitoring the AI System
12.4 Final Capstone Presentation and Evaluation
Optional Module: AI Agents for Security level 3
Understanding AI Agents
Case Studies
Hands-On Practice with AI Agents
Tools you will explore
Splunk User Behavior Analytics (UBA)
Microsoft Defender for Endpoint
Microsoft Azure AD Conditional Access
Adversarial Robustness Toolbox (ART)
Online proctored exam included, with one free retake.
Exam format: 50 questions, 70% passing, 90 minutes, online proctored exam
Access to all materials and exams is provided for 365 days after delivery.
Instructor-led OR Self-paced course + Official exam + Digital badge
€530
E-Learning
max 999
5 dagen
AI+ Ethical Hacker™
Apeldoorn
ma 9 nov. 2026
Digitale omgevingen beschermen: maak gebruik van AI-ondersteunde technologieën
De AI+ Ethical Hacker™-certificering verdiept zich in het raakvlak tussen cyberbeveiliging en kunstmatige intelligentie, een cruciaal kruispunt in dit tijdperk van snelle technologische vooruitgang. Deze certificering is speciaal ontwikkeld voor beginnende ethische hackers en cyberbeveiligingsexperts en biedt uitgebreide inzichten in de transformatieve invloed van AI op digitale aanvals- en verdedigingsstrategieën. In tegenstelling tot conventionele cursussen ethisch hacken, maakt dit programma gebruik van de kracht van AI om cyberbeveiligingsbenaderingen te verbeteren. Het is bedoeld voor tech-enthousiastelingen die de fusie van geavanceerde AI-methoden met ethische hackpraktijken willen beheersen in het snel evoluerende digitale landschap. Het curriculum omvat vier belangrijke gebieden, van cursusdoelstellingen en vereisten tot verwachte functies en de nieuwste AI-technologieën in ethisch hacken.
Overzicht van certificeringen
Voorbeeld van de cursusintroductie Module 1: Grondbeginselen van ethisch hacken met behulp van kunstmatige intelligentie (AI)
1.1 Inleiding tot ethisch hacken
1.2 Methodologie van ethisch hacken
1.3 Wettelijk en regelgevend kader
1.4 Soorten hackers en hun drijfveren
1.5 Technieken voor het verzamelen van informatie
1.6 Footprinting en verkenning
1.7 Netwerken scannen
1.8 Enumeratietechnieken
Module 2: Inleiding tot AI bij ethisch hacken
2.1 AI bij ethisch hacken
2.2 Grondbeginselen van AI
2.3 Overzicht van AI-technologieën
2.4 Machine learning in cyberbeveiliging
2.5 Natuurlijke taalverwerking (NLP) voor cyberbeveiliging
2.6 Deep learning voor dreigingsdetectie
2.7 Adversariaal machine learning in cyberbeveiliging
2.8 AI-gestuurde platforms voor dreigingsinformatie
2.9 Automatisering van cyberbeveiliging met AI
Module 3: AI-tools en -technologieën bij ethisch hacken
3.1 AI-gebaseerde tools voor dreigingsdetectie
3.2 Machine learning-frameworks voor ethisch hacken
3.3 AI-ondersteunde penetratietesttools
3.4 Tools voor gedragsanalyse voor het opsporen van afwijkingen
3.5 AI-gestuurde oplossingen voor netwerkbeveiliging
3.6 Geautomatiseerde kwetsbaarheidsscanners
3.7 AI in webapplicaties
3.8 AI voor het opsporen en analyseren van malware
3.9 Cognitieve beveiligingstools
Module 4: AI-gestuurde verkenningtechnieken
4.1 Inleiding tot verkenning bij ethisch hacken
4.2 Traditionele versus AI-gestuurde verkenning
4.3 Geautomatiseerde OS-fingerprinting met AI
4.4 AI-verbeterde poortscantechnieken
4.5 Machine learning voor netwerkmapping
4.6 AI-gestuurde social engineering-verkenning
4.7 Machine learning in OSINT
4.8 AI-verbeterde DNS-enumeratie en AI-gestuurde doelprofileringstechnieken
Module 5: AI bij kwetsbaarheidsbeoordeling en penetratietesten
5.1 Geautomatiseerde kwetsbaarheidsscans met AI
5.2 AI-verbeterde penetratietesttools
5.3 Machine learning voor exploitatie-technieken
5.4 Dynamische applicatiebeveiligingstests (DAST) met AI
5.5 AI-gestuurde fuzz-tests
5.6 Adversariaal machine learning bij penetratietesten
5.7 Geautomatiseerde rapportgeneratie met behulp van AI
5.8 AI-gebaseerde dreigingsmodellering
5.9 Uitdagingen en ethische overwegingen bij AI-gestuurde penetratietests
Module 6: Machine learning voor dreigingsanalyse
6.1 Begeleid leren voor dreigingsdetectie
6.2 Onbegeleid leren voor detectie van afwijkingen
6.3 Versterkend leren voor adaptieve beveiligingsmaatregelen
6.4 Natuurlijke taalverwerking (NLP) voor dreigingsinformatie
6.5 Gedragsanalyse met behulp van machine learning
6.6 Ensemble-leren voor verbeterde dreigingsvoorspelling
6.7 Feature engineering bij dreigingsanalyse
6.8 Machine learning in endpointbeveiliging
6.9 Uitlegbare AI in dreigingsanalyse
Module 7: Gedragsanalyse en detectie van afwijkingen bij systeemhacking
7.1 Gedragsbiometrie voor gebruikersauthenticatie
7.2 Machine learning-modellen voor analyse van gebruikersgedrag
7.3 Gedragsanalyse van netwerkverkeer
7.4 Gedragsmonitoring van eindpunten
7.5 Tijdreeksanalyse voor afwijkingsdetectie
7.6 Heuristische benaderingen voor het opsporen van afwijkingen
7.7 AI-gestuurde dreigingsopsporing
7.8 Gedragsanalyse van gebruikers en entiteiten (UEBA)
7.9 Uitdagingen en overwegingen bij gedragsanalyse
Module 8: AI-gestuurde systemen voor incidentrespons
8.1 Geautomatiseerde dreigingstriage met behulp van AI
8.2 Machine learning voor dreigingsclassificatie
8.3 Integratie van realtime dreigingsinformatie
8.4 Voorspellende analyses bij incidentrespons
8.5 AI-gestuurde forensische analyse van incidenten
8.6 Geautomatiseerde inperkings- en uitroeiingsstrategieën
8.7 Gedragsanalyse bij incidentrespons
8.8 Continue verbetering door middel van feedback van machine learning
8.9 Samenwerking tussen mens en AI bij incidentafhandeling
Module 9: AI voor identiteits- en toegangsbeheer (IAM)
9.1 AI-gestuurde technieken voor gebruikersauthenticatie
9.2 Gedragsbiometrie voor toegangscontrole
9.3 AI-gebaseerde detectie van afwijkingen in IAM
9.4 Dynamisch toegangsbeleid met machine learning
9.5 AI-verbeterd beheer van geprivilegieerde toegang (PAM)
9.6 Continue authenticatie met behulp van machine learning
9.7 Geautomatiseerde toewijzing en intrekking van gebruikersrechten
9.8 Risicogebaseerde authenticatie met AI
9.9 AI in identiteitsbeheer en -administratie (IGA)
Module 10: Beveiliging van AI-systemen
10.1 Vijandige aanvallen op AI-modellen
10.2 Veilige praktijken voor het trainen van modellen
10.3 Gegevensprivacy in AI-systemen
10.4 Veilige implementatie van AI-toepassingen
10.5 Uitlegbaarheid en interpreteerbaarheid van AI-modellen
10.6 Robuustheid en veerkracht in AI
10.7 Veilige overdracht en uitwisseling van AI-modellen
10.8 Continue monitoring en detectie van bedreigingen voor AI
Module 11: Ethiek in AI en cyberbeveiliging
11.1 Ethische besluitvorming in cyberbeveiliging
11.2 Vooringenomenheid en eerlijkheid in AI-algoritmen
11.3 Transparantie en verklaarbaarheid in AI-systemen
11.4 Privacykwesties in AI-gestuurde cyberbeveiliging
11.5 Verantwoordelijkheid en aansprakelijkheid in AI-beveiliging
11.6 Ethische aspecten van het delen van dreigingsinformatie
11.7 Mensenrechten en AI in cyberbeveiliging
11.8 Naleving van regelgeving en ethische normen
11.9 Ethisch hacken en verantwoordelijke openbaarmaking
Module 12: Afstudeerproject
12.1 Casestudy 1: AI-ondersteunde detectie van en reactie op bedreigingen
12.2 Casestudy 2: Ethisch hacken met AI-integratie
12.3 Casestudy 3: AI in identiteits- en toegangsbeheer (IAM)
12.4 Casestudy 4: Veilige implementatie van AI-systemen
Optionele module: AI-agenten voor ethisch hacken
1. Inzicht in AI-agenten
2. Casestudy's
3. Praktische oefeningen met AI-agenten
Tools die je gaat verkennen
Acunetix
Wazuh
Shodan
OWASP ZAP
Inclusief online examen onder toezicht, met één gratis herkansing.
Examenopzet: 50 vragen, 70% vereist om te slagen, 90 minuten, online examen onder toezicht
Toegang tot alle materialen en examens wordt gedurende 365 dagen na levering verleend.
Cursus onder begeleiding van een docent OF cursus in eigen tempo + officieel examen + digitale badge
€3.930
Klassikaal
max 12
5 dagen
AI+ Ethical Hacker™ eLearning
Digitale omgevingen beschermen: maak gebruik van AI-ondersteunde technologieën
De AI+ Ethical Hacker™-certificering verdiept zich in het raakvlak tussen cyberbeveiliging en kunstmatige intelligentie, een cruciaal kruispunt in dit tijdperk van snelle technologische vooruitgang. Deze certificering is speciaal ontwikkeld voor beginnende ethische hackers en cyberbeveiligingsexperts en biedt uitgebreide inzichten in de transformatieve invloed van AI op digitale aanvals- en verdedigingsstrategieën. In tegenstelling tot conventionele cursussen ethisch hacken, maakt dit programma gebruik van de kracht van AI om cyberbeveiligingsbenaderingen te verbeteren. Het is bedoeld voor tech-enthousiastelingen die de fusie van geavanceerde AI-methoden met ethische hackpraktijken willen beheersen in het snel evoluerende digitale landschap. Het curriculum omvat vier belangrijke gebieden, van cursusdoelstellingen en vereisten tot verwachte functies en de nieuwste AI-technologieën in ethisch hacken.
Overzicht van certificeringen
Voorbeeld van de cursusintroductie Module 1: Grondbeginselen van ethisch hacken met behulp van kunstmatige intelligentie (AI)
1.1 Inleiding tot ethisch hacken
1.2 Methodologie van ethisch hacken
1.3 Wettelijk en regelgevend kader
1.4 Soorten hackers en hun drijfveren
1.5 Technieken voor het verzamelen van informatie
1.6 Footprinting en verkenning
1.7 Netwerken scannen
1.8 Enumeratietechnieken
Module 2: Inleiding tot AI bij ethisch hacken
2.1 AI bij ethisch hacken
2.2 Grondbeginselen van AI
2.3 Overzicht van AI-technologieën
2.4 Machine learning in cyberbeveiliging
2.5 Natuurlijke taalverwerking (NLP) voor cyberbeveiliging
2.6 Deep learning voor dreigingsdetectie
2.7 Adversariaal machine learning in cyberbeveiliging
2.8 AI-gestuurde platforms voor dreigingsinformatie
2.9 Automatisering van cyberbeveiliging met AI
Module 3: AI-tools en -technologieën bij ethisch hacken
3.1 AI-gebaseerde tools voor dreigingsdetectie
3.2 Machine learning-frameworks voor ethisch hacken
3.3 AI-ondersteunde penetratietesttools
3.4 Tools voor gedragsanalyse voor het opsporen van afwijkingen
3.5 AI-gestuurde oplossingen voor netwerkbeveiliging
3.6 Geautomatiseerde kwetsbaarheidsscanners
3.7 AI in webapplicaties
3.8 AI voor het opsporen en analyseren van malware
3.9 Cognitieve beveiligingstools
Module 4: AI-gestuurde verkenningtechnieken
4.1 Inleiding tot verkenning bij ethisch hacken
4.2 Traditionele versus AI-gestuurde verkenning
4.3 Geautomatiseerde OS-fingerprinting met AI
4.4 AI-verbeterde poortscantechnieken
4.5 Machine learning voor netwerkmapping
4.6 AI-gestuurde social engineering-verkenning
4.7 Machine learning in OSINT
4.8 AI-verbeterde DNS-enumeratie en AI-gestuurde doelprofileringstechnieken
Module 5: AI bij kwetsbaarheidsbeoordeling en penetratietesten
5.1 Geautomatiseerde kwetsbaarheidsscans met AI
5.2 AI-verbeterde penetratietesttools
5.3 Machine learning voor exploitatie-technieken
5.4 Dynamische applicatiebeveiligingstests (DAST) met AI
5.5 AI-gestuurde fuzz-tests
5.6 Adversariaal machine learning bij penetratietesten
5.7 Geautomatiseerde rapportgeneratie met behulp van AI
5.8 AI-gebaseerde dreigingsmodellering
5.9 Uitdagingen en ethische overwegingen bij AI-gestuurde penetratietests
Module 6: Machine learning voor dreigingsanalyse
6.1 Begeleid leren voor dreigingsdetectie
6.2 Onbegeleid leren voor detectie van afwijkingen
6.3 Versterkend leren voor adaptieve beveiligingsmaatregelen
6.4 Natuurlijke taalverwerking (NLP) voor dreigingsinformatie
6.5 Gedragsanalyse met behulp van machine learning
6.6 Ensemble-leren voor verbeterde dreigingsvoorspelling
6.7 Feature engineering bij dreigingsanalyse
6.8 Machine learning in endpointbeveiliging
6.9 Uitlegbare AI in dreigingsanalyse
Module 7: Gedragsanalyse en detectie van afwijkingen bij systeemhacking
7.1 Gedragsbiometrie voor gebruikersauthenticatie
7.2 Machine learning-modellen voor analyse van gebruikersgedrag
7.3 Gedragsanalyse van netwerkverkeer
7.4 Gedragsmonitoring van eindpunten
7.5 Tijdreeksanalyse voor afwijkingsdetectie
7.6 Heuristische benaderingen voor het opsporen van afwijkingen
7.7 AI-gestuurde dreigingsopsporing
7.8 Gedragsanalyse van gebruikers en entiteiten (UEBA)
7.9 Uitdagingen en overwegingen bij gedragsanalyse
Module 8: AI-gestuurde systemen voor incidentrespons
8.1 Geautomatiseerde dreigingstriage met behulp van AI
8.2 Machine learning voor dreigingsclassificatie
8.3 Integratie van realtime dreigingsinformatie
8.4 Voorspellende analyses bij incidentrespons
8.5 AI-gestuurde forensische analyse van incidenten
8.6 Geautomatiseerde inperkings- en uitroeiingsstrategieën
8.7 Gedragsanalyse bij incidentrespons
8.8 Continue verbetering door middel van feedback van machine learning
8.9 Samenwerking tussen mens en AI bij incidentafhandeling
Module 9: AI voor identiteits- en toegangsbeheer (IAM)
9.1 AI-gestuurde technieken voor gebruikersauthenticatie
9.2 Gedragsbiometrie voor toegangscontrole
9.3 AI-gebaseerde detectie van afwijkingen in IAM
9.4 Dynamisch toegangsbeleid met machine learning
9.5 AI-verbeterd beheer van geprivilegieerde toegang (PAM)
9.6 Continue authenticatie met behulp van machine learning
9.7 Geautomatiseerde toewijzing en intrekking van gebruikersrechten
9.8 Risicogebaseerde authenticatie met AI
9.9 AI in identiteitsbeheer en -administratie (IGA)
Module 10: Beveiliging van AI-systemen
10.1 Vijandige aanvallen op AI-modellen
10.2 Veilige praktijken voor het trainen van modellen
10.3 Gegevensprivacy in AI-systemen
10.4 Veilige implementatie van AI-toepassingen
10.5 Uitlegbaarheid en interpreteerbaarheid van AI-modellen
10.6 Robuustheid en veerkracht in AI
10.7 Veilige overdracht en uitwisseling van AI-modellen
10.8 Continue monitoring en detectie van bedreigingen voor AI
Module 11: Ethiek in AI en cyberbeveiliging
11.1 Ethische besluitvorming in cyberbeveiliging
11.2 Vooringenomenheid en eerlijkheid in AI-algoritmen
11.3 Transparantie en verklaarbaarheid in AI-systemen
11.4 Privacykwesties in AI-gestuurde cyberbeveiliging
11.5 Verantwoordelijkheid en aansprakelijkheid in AI-beveiliging
11.6 Ethische aspecten van het delen van dreigingsinformatie
11.7 Mensenrechten en AI in cyberbeveiliging
11.8 Naleving van regelgeving en ethische normen
11.9 Ethisch hacken en verantwoordelijke openbaarmaking
Module 12: Afstudeerproject
12.1 Casestudy 1: AI-ondersteunde detectie van en reactie op bedreigingen
12.2 Casestudy 2: Ethisch hacken met AI-integratie
12.3 Casestudy 3: AI in identiteits- en toegangsbeheer (IAM)
12.4 Casestudy 4: Veilige implementatie van AI-systemen
Optionele module: AI-agenten voor ethisch hacken
1. Inzicht in AI-agenten
2. Casestudy's
3. Praktische oefeningen met AI-agenten
Tools die je gaat verkennen
Acunetix
Wazuh
Shodan
OWASP ZAP
Inclusief online examen onder toezicht, met één gratis herkansing.
Examenopzet: 50 vragen, 70% vereist om te slagen, 90 minuten, online examen onder toezicht
Toegang tot alle materialen en examens wordt gedurende 365 dagen na levering verleend.
Cursus onder begeleiding van een docent OF cursus in eigen tempo + officieel examen + digitale badge
€530
E-Learning
max 999
5 dagen