Sciences Applied To Cybersecurity: Machine Learning & Complex Networks

  • 130 h presenciales.
  • Precio: 1.300 €.
  • Presencial con contenidos.
  • Teóricos y prácticos.
  • Posibilidad de realizarlo vía streaming.
Solicitar información

Título

Alumnos con titulación universitaria:

  • Curso Superior Universitario en Sciences Applied to Cybersecurity: Machine Learning & Complex Networks.

Alumnos sin titulación universitaria con experiencia laboral en TI:

  • Certificado de Extensión Universitaria en Sciences Applied to Cybersecurity: Machine Learning & Complex Networks.

Equipo docente

  • Regino Criado. Director Académico.
  • Santiago Moral. Director.
  • Miguel Romance. Subdirector.

Profesores

  • Regino Criado.
  • Santiago Moral.
  • Miguel Romance.
  • Inmaculada Mora.
  • José Luis Rojo.
  • Mihaela Chidean.
  • David González.
  • Luca Martino.
  • Cristina Soguero.
  • Leopoldo Carro Calvo.
  • Laura Cornejo.
  • Sergio Muñoz.
  • Paco Ginel.
  • Sergio Iglesias.
  • Juan Manuel Matalobos.
  • Javier Puerta.
  • Juan Feijoo.

Objetivos

  • 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.

Contenido

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).

Dar sentido a los datos no estructurados

1. Clustering.
2. Clustering espectral, componentes e incrustaciones.
3. Estudios de caso: gestión de identidades y accesos.

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 orocesos bañados en logs.

Clasificación, prueba de hipótesis y detección de anomalías

1. Pruebas de hipótesis y clasificación.
2. Deep Learning.

Recomendación de Sistemas

1. Recomendaciones y clasificación.
2. Filtrado colaborativo.
3. Recomendaciones personalizadas.
4. Estudios de caso: Sistemas de automatización forense.

Redes y modelos gráficos

1. Introducción.
2. Redes.
3. Modelos gráficos.
4. Estudios de caso: detección de APT.

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.