HCMLC – Machine Learning aplicado a Ciberseguridad


hacking etico
Siglas: HCMLC
Duración: Video - 8 horas + Dedicación 32 horas horas
Fecha de inicio: 7 - Enero - 2019
Si prefieres empezar ya ponte en contacto con info@thesecuritysentinel.es

Certificado (80% de la nota total)
Si tienes alguna duda o deseas más información sobre este curso, puedes contactar con nosotros sin ningún compromiso en info@thesecuritysentinel.es o en el teléfono 915 792 426
O acceder para acceder a tus cursos

En este curso el alumno podrá entender los conceptos sobre el machine learning aplicados a la ciberseguridad a través de diferentes casos de uso y ejemplos. El enfoque del curso es eminentemente práctico, por lo que cualquier tipo de persona interesada podrá seguirlo. Los ejemplos se muestran en diferentes casos de uso de ámbito real. El futuro de la ciberseguridad está ligado al machine learning, ¿Estas preparado?

OBJETIVOS

  • 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.

METODOLOGÍA

El enfoque del curso es eminentemente práctico, siguiendo una metodología estricta de aprendizaje. A través de la metodología el alumno podrá ir comprobando, mediante la realización de ejercicios, como se van adquiriendo los conocimientos necesarios para lograr concluir con éxito el curso. Dichos ejercicios serán resueltos por el instructor en sesiones posteriores. El instructor propondrá una serie de ejercicios hacia el final del curso de cara al examen final. En todo momento se guía el aprendizaje del alumno y éste puede consultar con los profesionales de hackersClub sus avances. La orientación de los programas de formación es totalmente técnica.

El alumno debe estar dispuesto a aportar:

  • Esfuerzo
  • Motivación
  • Pasión
  • Varios vídeos por cada tema
  • Realización de talleres y laboratorios prácticos
  • Cada semana realizar ejercicios

 

Materiales didácticos:

Como apoyo a los procesos metodológicos del curso, se usan los siguientes materiales didácticos.

  • Las prácticas y ejercicios son propuestos en las mismas Slides del video.
  • En la semana 2, 3 y 4 se encuentra un ZIP con los ejercicios y códigos en Python necesarios. Además, de los CSV de los conjuntos de datos.
  • Vídeos de las clases de forma grabada, para verlos online.

CERTIFICACIÓN

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.

TEMARIO

  • 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

“Es un curso muy completo, muy bien explicado en una serie de videos y diapositivas, con muchas prácticas y ejercicios con los que poner a prueba lo aprendido en cada tema. Disponible un tutor y un foro para resolver las dudas. Relación calidad/precio muy buena. Recomendado 100%.

Jonathan Fernández

“Me ha gustao todo: la atención que recibes durante las consultas al profesor, la paciencia del profesor, las explicaciones que da, que son muy buenas, la manera en que está estructurado el curso…

Alberto Nicolás Medina Santana

Módulos

HCMLC

Lecciones

TAMBIÉN TE PUEDE INTERESAR