MÓDULO 5

Reserva de plaza a partir del 11 de mayo

QUIERO RESERVAR PLAZA

Sciences Applied to Cybersecurity: Machine Learning & Complex Network

Metodología

Presencial con apoyo en teleformación
Posibilidad de realizarse vía streaming

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

Información del curso

Horas lectivas: 130 h presenciales.
Modalidad:  Presencial con contenidos teóricos y prácticos. Posibilidad de realizarse vía streaming

Títulos:
• 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

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
1.1 Contrastando métricas y medidas
1.2 Selección de medidas para apoyar las métricas
1.3 Problemas con la precisión de las medidas
1.4 Problemas con la selección de medidas (datos pequeños)
1.5 Problemas con el uso de medidas
1.6 Sistema común de puntuación de vulnerabilidad (CVSS)

2. Dar sentido a los datos no estructurados
2.1 Clustering
2.2 Clustering espectral, componentes e incrustaciones
2.3 Estudios de caso: gestión de identidades y accesos  

3. Regresión y predicción
3.1 Regresión y extensión clásica lineal y no lineal
3.2 Regresión moderna con datos de alta dimensión
3.3 El uso de la regresión moderna para la inferencia causal
3.4 Estudios de caso: detección de orocesos bañados en logs

4. Clasificación, prueba de hipótesis y detección de anomalías
4.1 Pruebas de hipótesis y clasificación
4.2 Deep Learning

4.3 Estudios de caso:
   a) Análisis de respuesta 
   b) Clasificación de eventos y anomalías


5. Recomendación de Sistemas
5.1 Recomendaciones y clasificación
5.2 Filtrado colaborativo
5.3 Recomendaciones personalizadas
5.4 Estudios de caso: Ssstemas de automatización forense

6. Redes y modelos gráficos
6.1 Introducción
6.2 Redes
6.3 Modelos gráficos
6.4 Estudios de caso: detección de APT

7. Modelos predictivos para datos temporales
7.1 Introducción
7.2 Ingeniería de predicción
7.3 Ingeniería de características
7.4 Modelado y evaluación de modelos predictivos
7.5 Estudios de caso: detección de fraude en tarjetas