DATA FOR KILL CHAIN MANAGEMENT

Consultar próximas convocatorias

CONTACTO

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

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 monoclas

      

14

VulnerabilidadesLocalización y medidas de centralidad especiales en redes complejas