HCMLC – MACHINE LEARNING APLICADO A CIBERSEGURIDAD - The Security Sentinel

Este curso proporciona al alumno todos los conocimientos teóricos y prácticos necesarios para comprender qué es el Machine Learning y cómo puede aplicarse a distintos problemas de Ciberseguridad. Además, permitirá al alumno adquirir conocimientos avanzados para comenzar a desarrollar sistemas de seguridad utilizando distintas técnicas y algoritmos de Machine Learning.
Adquirirás suficientes conocimientos teóricos como para comprender en detalle qué es el Machine Learning y en qué se basan muchas de las técnicas y algoritmos más populares.
Comprenderás donde se encuentra la intersección entre el Machine Learning y la Ciberseguridad mediante el desarrollo y análisis de distintos casos prácticos relacionados con la detección de fraude bancario, ataques a redes, distribución de malware, ataques a aplicaciones web…
El curso proporciona una gran cantidad de contenido práctico donde aprenderás a aplicar diferentes técnicas y algoritmos de Machine Learning a problemas de Ciberseguridad mediante el uso de Python.
Al finalizar este curso habrás adquirido conocimientos suficientes para comprender qué es el Machine Learning y cómo puedes aplicarlo a problemas específicos dentro de tu organización o tu caso de uso particular.

Se entregará un certificado de aprovechamiento en el curso realizado por el alumno. El certificado acredita que el alumno ha superado con éxito los contenidos del curso logrando un aprovechamiento que puede ayudarle en la realización de sus tareas técnicas diarias.

• Semana 1: Introducción al Machine Learning aplicado a la Ciberseguridad: Regresión y Clasificación
  1.1. Introducción al Machine Learning aplicado a la Ciberseguridad
  1.2. Regresión y Clasificación: Introducción
  1.3. Regresión Lineal: Introducción
  1.4. Regresión Lineal: Construcción del modelo
  1.5. Regresión Logística o Clasificación
  1.6. Clasificación y Ciberseguridad
  1.7. Ejercicio Práctico: Detección de transacciones bancarias fraudulentas
• Semana 2: Afrontando un problema de Ciberseguridad utilizando técnicas de Machine Learning
  2.1. Extracción de características. ¿Qué queremos que aprenda el algoritmo?
  2.2. Evaluación de los resultados. ¿Cómo son los resultados del algoritmo?
  2.3. Manejo de los datos. ¿Cómo evalúo el comportamiento del algoritmo?
  2.4. Clasificación: Árboles de decisión
  2.5. Ejercicio práctico: Detección avanzada de transacciones bancarias fraudulentas con un conjunto de datos real
• Semana 3: Aprendizaje no supervisado y Clustering
  3.1. Introducción al Clustering y aplicación a la Ciberseguridad
  3.2. Kmeans
  3.3. DBSCAN
  3.4. Evaluación de los clusters
  3.5. Caso práctico 1: Detección de URLs utilizadas para la distribución de malware
  3.6. Caso práctico 2: Detección de ataques a aplicaciones web
• Semana 4: Algoritmos probabilísticos y detección de anomalías
  4.1. Algoritmos probabilísticos
  4.2. Caso Práctico 1: Implementación de un filtro para la detección de SPAM
  4.3. Detección de anomalías y aplicación a la Ciberseguridad
  4.4. Algoritmos basados en la distribución Gaussiana
  4.5. Caso Práctico 2: Detección de pagos fraudulentos con tarjetas de crédito
  4.6. Isolation Forest
  4.7. Caso Práctico 3: Detección de ataques de fuerza bruta a aplicaciones web