¿Por qué son tan importantes el Machine Learning y las redes complejas para la ciberseguridad? ¿Qué papel juegan? ¿Cómo se aplican?
Tanto si ya tienes nociones de Machine Learning y redes complejas como si se trata de algo novedoso para ti, este curso, que se corresponde con el módulo del mismo nombre, está hecho a tu medida.
130 h PRESENCIALES
PRECIO: 1.300 €
PRESENCIAL CON CONTENIDOS TEÓRICOS Y PRÁCTICOS
POSIBILIDAD DE REALIZARLO VÍA STREAMING
Profundiza en dos disciplinas sin las cuales no es posible entender el mundo de la ciberseguridad.
EQUIPO DOCENTE
Director Académico
Director
Subdirector
PROFESORES
Objetivos
Se va a trabajar sobre:
Métricas y Medidas de Ciberseguridad
Dar Sentido a los Datos No Estructurados
Gestión de Identidades y Accesos
Detección de Fraude en Tarjetas
Detección de Procesos Bañados en Logs
Clasificación, Prueba de Hipótesis y Detección de Anomalías
Modelos Predictivos para Datos Temporales
Sistemas de Automatización Forense
Redes y Modelos Gráficos
Detección de APT
Deep Learning
Regresión y Predicción
Contenidos
1
Métricas y medidas de ciberseguridad
1. Contrastando métricas y medidas
2. Selección de medidas para apoyar las métricas
3. Problemas con la precisión de las medidas
4. Problemas con la selección de medidas (datos pequeños)
5. Problemas con el uso de medidas
6. Sistema común de puntuación de vulnerabilidad (CVSS)
2
Dar sentido a los datos no estructurados
1. Clustering
2. Clustering espectral, componentes e incrustaciones
3. Estudios de caso: gestión de identidades y accesos
3
Regresión y predicción
1. Regresión y extensión clásica lineal y no lineal
2. Regresión moderna con datos de alta dimensión
3. El uso de la regresión moderna para la inferencia causal
4. Estudios de caso: detección de procesos bañados en logs
4
Clasificación, prueba de hipótesis y detección de anomalías
1. Pruebas de hipótesis y clasificación
2. Deep Learning
3. Estudios de caso:
a) Análisis de respuesta
b) Clasificación de eventos y anomalías
5
Recomendación de Sistemas
1. Recomendaciones y clasificación
2. Filtrado colaborativo
3. Recomendaciones personalizadas
4. Estudios de caso: Sistemas de automatización forense
6
Redes y modelos gráficos
1. Introducción
2. Redes
3. Modelos gráficos
4. Estudios de caso: detección de APT
7
Modelos predictivos para datos temporales
1. Introducción
2. Ingeniería de predicción
3. Ingeniería de características
4. Modelado y evaluación de modelos predictivos
5. Estudios de caso: detección de fraude en tarjetas
8
Inteligencia artificial con y sobre redes complejas.