SCIENCES APPLIED TO CYBERSECURITY: MACHINE LEARNING & COMPLEX NETWORKS

¿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.

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.