MÓDULO 4

Reserva de plaza a partir del 11 de mayo

QUIERO RESERVAR PLAZA

Data for Kill Chain Management:
Monitoring & Respond

Metodología:

Presencial con apoyo en teleformación
Posibilidad de realizarlo vía streaming

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

Información del Módulo:

Horas lectivas: 140 h presenciales.
Modalidad: 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

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 1.1 Vectores
1.2 Matrices
1.3 Matriz inversa

2. Probabilidad – Intro Matlab
2.1 Probabilidad
2.2 Variable aleatoria
2.3 Densidad de probabilidad

3. Preprocesado – Limpieza
3.1 Introducción al aprendizaje automático
3.2 Integración de datos
3.3 Identificación de outliers
3.4 Missing data. Algunas estrategias de imputación

4. Conceptos Básicos – Coste
4.1 Planteamiento del problema
4.2 Función objetivo/Regularización
4.3 Óptimos locales y globales

5. Modelos paramétricos (regres, logística etc.)
5.1 Regresión lineal – Intro
5.2 Regresión lineal múltiple
5.3 Regresión lineal – Bases genéricas

6. Modelos no paramétricos
6.1 k-nn
6.2 Árboles. Random Forest
6.3 Perceptrón simple y multicapa

7. Modelos no supervisados
7.1 Clustering (k-medias, spectral, jerárquico)
7.2 Mapas autoorganizados

8. 
Ingeniería de atributos y conjuntos
8.1 Ingeniería de atributos
8.2 Reducción de dimensionalidad
8.3 Componentes principales extracción de características
8.4 Selección de característica



9. KERNELS

9.1 Support Vector Machines
9.2 Clasificador y regresor SVM
9.3 SVM monoclase y multiclase

10. DEEP
10.1 Redes convolucionales
10.2 Ataques adversarios
10.3 GANs

11. GENÉTICOS – (PARTICLE FILTERING – possible additional topic – «save topic») 11.1 Algoritmo Evolutivo
11.2 Fitness
11.3 Cruce

12. Sistemas de recomendación
12.1 Filtrado colaborativo
12.2 Filtrado basado en contenido
12.3 Consciencia del riesgo

13. Detección de anomalías
13.1 Métodos basados en densidad

13.2 Subespacios, correlación y tensores
13.3 SVM monoclase