Data for Kill Chain Management
- 140 h presenciales
- Precio: 1.300 €
- Presencial con contenidos
- Teóricos y prácticos
- Posibilidad de realizarlo vía streaming
Títulos
Alumnos con titulación universitaria:
- Curso Superior Universitario en Data for Kill Chain Management: Monitoring & Respond.
Alumnos sin titulación universitaria con experiencia laboral en TI:
- Certificado de Extensión Universitaria en Data for Kill Chain Management: Monitoring & Respond.
Equipo docente
- Regino Criado. Director Académico.
- Santiago Moral. Director.
- Miguel Romance .Subdirector.
Profesores
- Regino Criado.
- Inmaculada Mora.
- José Luis Rojo.
- Mihaela Chidean.
- Luca Martino.
- Cristina Soguero.
- Leopoldo Carro Calvo.
- Laura Cornejo.
- Sergio Muñoz.
- Juan Feijoo.
Objetivos
- Regresión lineal de una variable y de Múltiples Variables
- Tecnologías de Protección de Análisis permanente
- Procesos de Automatización de Mantenimiento, Obsolescencia
- Modelo Casandra para Modelos y Estratégias de Evaluación del Riesgo
- Modelos Entrópicos para el Análisis de los Sistemas de Información.
- Regresión Logística.
- Redes Neuronales.
- Utilizar Octave y Matlab.
- A la Caza de Vulnerabilidades.
- Fraude en Tarjetas.
Contenido
Álgebra – Intro Matlab
1. Vectores.
2. Matrices.
3. Matriz inversa.
Probabilidad – Intro Matlab
1. Probabilidad.
2. Variable aleatoria.
3. Densidad de probabilidad.
Preprocesado – Limpieza
1. Introducción al aprendizaje automático.
2. Integración de datos.
3. Identificación de outliers.
4. Missing data. Algunas estrategias de imputación.
Conceptos Básicos – Coste
1. Planteamiento del problema.
2. Función objetivo/Regularización.
3. Óptimos locales y globales.
Modelos paramétricos (regres, logística etc.)
1. Regresión lineal – Intro.
2. Regresión lineal múltiple.
3. Regresión lineal – Bases genéricas.
Modelos no paramétricos
1. k-nn.
2. Árboles. Random Forest.
3. Perceptrón simple y multicapa.
Modelos no supervisados
1. Clustering (k-medias, spectral, jerárquico).
2. Mapas autoorganizados.
Ingeniería de atributos y conjuntos
1. Ingeniería de atributos.
2. Reducción de dimensionalidad.
3. Componentes principales extracción de características.
4. Selección de característica.
KERNELS
1. Support Vector Machines.
2. Clasificador y regresor SVM.
3. SVM monoclase y multiclase.
DEEP
1. Redes convolucionales.
2. Ataques adversarios.
3. GANs.
GENÉTICOS – (PARTICLE FILTERING – possible additional topic – «save topic»)
1. Algoritmo Evolutivo.
2. Fitness.
3. Cruce.
Sistemas de recomendación
1. Filtrado colaborativo.
2. Filtrado basado en contenido.
3. Consciencia del riesgo.
Detección de anomalías
1. Métodos basados en densidad.
2. Subespacios, correlación y tensores.
3. SVM monoclas.