DATA FOR KILL CHAIN MANAGEMENT: MONITORING & RESPOND

Preinscripción: abierta 
Inicio: 23 febrero 2021

  

RESERVA YA TU PLAZA

¿Qué importancia tienen los datos para Cyber Kill Chain? ¿Cómo se localizan vulnerabilidades?

Con este curso, que se corresponde con el módulo del mismo nombre, te iniciarás en la importancia de la minería de datos y el reconocimiento estadístico de patrones.

 

140 h PRESENCIALES

PRECIO: 1.300 €

PRESENCIAL CON CONTENIDOS TEÓRICOS Y PRÁCTICOS

POSIBILIDAD DE REALIZARLO VÍA STREAMING

Da un paso más en tu formación en ciberseguridad

 

 

 

EQUIPO DOCENTE

> Regino Criado 
   Director Académico

> Santiago Moral

    Director

> Miguel Romance 
   Subdirector

Objetivos

Se va a trabajar sobre:

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
    

Contenidos

1

Álgebra – Intro Matlab
1. Vectores
2. Matrices
3. Matriz inversa

 

2

Probabilidad – Intro Matlab
1. Probabilidad
2. Variable aleatoria
3. Densidad de probabilidad

 

3

Preprocesado – Limpieza
1. Introducción al aprendizaje automático
2. Integración de datos
3. Identificación de outliers
4. Missing data. Algunas estrategias de imputación

 

4

Conceptos Básicos – Coste
1. Planteamiento del problema
2. Función objetivo/Regularización
3. Óptimos locales y globales

 

5

Modelos paramétricos (regres, logística etc.)
1. Regresión lineal – Intro
2. Regresión lineal múltiple
3. Regresión lineal – Bases genéricas

 

6

Modelos no paramétricos
1. k-nn
2. Árboles. Random Forest
3. Perceptrón simple y multicapa

 

7

Modelos no supervisados
1. Clustering (k-medias, spectral, jerárquico)
2. Mapas autoorganizados

 

8

Ingeniería de atributos y conjuntos
1. Ingeniería de atributos
2. Reducción de dimensionalidad
3. Componentes principales extracción de características
4. Selección de característica

 

9

Kernels
1. Support Vector Machines
2. Clasificador y regresor SVM
3. SVM monoclase y multiclase

 

10

DEEP
1. Redes convolucionales
2. Ataques adversarios
3. GANs

 

11

Genéticos – (Particle filtering – possible additional topic – «save topic»)
1. Algoritmo Evolutivo
2. Fitness
3. Cruce

 

12

Sistemas de recomendación
1. Filtrado colaborativo
2. Filtrado basado en contenido
3. Consciencia del riesgo

 

13

Detección de anomalías
1. Métodos basados en densidad
2. Subespacios, correlación y tensores
3. SVM monoclase