Guia docente

DATOS IDENTIFICATIVOS

2022_23

Asignatura

FUNDAMENTOS DE MACHINE LEARNING Y APLICACIONES A LA CIBERSEGURIDAD

Código

01747013

Enseñanza

1747 - Máster Universitario de Investigación en Ciberseguridad

Descriptores

Cr.totales

Tipo

Curso

Semestre

Optativa

Primer

Primero

Idioma

Castellano

Prerrequisitos

Departamento

MATEMATICAS

Responsable

MUNOZ CASTANEDA , ANGEL LUIS

Correo-e

amunc@unileon.es
ncasg@unileon.es

Profesores/as

CASTRO GARCIA, NOEMI DE

MUNOZ CASTANEDA , ANGEL LUIS

Web

http://

Descripción general

Tribunales de Revisión

Tribunal titular
Cargo	Departamento	Profesor
Presidente	MATEMATICAS	CARRIEGOS VIEIRA , MIGUEL
Secretario	MATEMATICAS	LOPEZ CABECEIRA , MONTSERRAT
Vocal	MATEMATICAS	TROBAJO DE LAS MATAS , MARIA TERESA

Tribunal suplente
Cargo	Departamento	Profesor
Presidente	MATEMATICAS	GOMEZ PEREZ , JAVIER
Secretario	MATEMATICAS	ARIAS MOSQUERA , DANIEL
Vocal	MATEMATICAS	GARCIA FERNANDEZ , ROSA MARTA

Competencias

Tipo A	Código	Competencias Específicas
Tipo B	Código	Competencias Generales y Transversales
	B5729	1747CG1 Elaborar y defender argumentos y resolver problemas dentro del área de seguridad informática y de las comunicaciones./ Developing and defending arguments and resolving problems in the field of computer and communications security.
	B5730	1747CG2 Reunir e interpretar datos relevantes dentro del área de seguridad informática y de las comunicaciones/Collecting and understanding relevant data in the field of computer and communications security.
	B5734	1747CT1 Trabajo en equipo: capacidad de compromiso con un equipo, hábito de colaboración y trabajo solucionando conflictos que puedan surgir./Teamwork: the ability to compromise with a team, habit of collaboration, and work solving conflicts that may arise.
	B5736	1747CT3 Toma de decisiones y solución de problemas: localización del problema, identificar causas y alternativas de solución, evaluación y selección de la más idónea./Decision making and problem-solving: problem detection, identification of causes and solution alternatives, evaluation, and selection of the most suitable one.
	B5738	1747CT5 Creatividad: capacidad de innovación, iniciativa, fomento de ideas e inventiva./Creativity: the capacity for innovation, initiative, and inventiveness.
Tipo C	Código	Competencias Básicas
	C1	Que los estudiantes sepan aplicar los conocimientos adquiridos y su capacidad de resolución de problemas en entornos nuevos o poco conocidos dentro de contextos más amplios (o multidisciplinares) relacionados con su área de estudio.
	C3	Que los estudiantes sepan comunicar sus conclusiones (y los conocimientos y razones últimas que las sustentan) a públicos especializados y no especializados de un modo claro y sin ambigüedades.

Resultados de aprendizaje

Resultados	Competencias
Identificar cuándo un problema es susceptible de ser abordado con técnicas de Machine Learning			C1
Conocer los modelos básicos de Machine Learning y entender los conceptos matemáticos en los que se basan
Implementar los modelos básicos en Python, así como hacer uso de las librerías específicas de Machine Learning en Python
Conocer y desarrollar algoritmos programados en Python		B5734
Conocer y saber utilizar métodos de análisis avanzados en el contexto de Machine Learning		B5736 B5738
Que los estudiantes sepan comunicar sus conclusiones			C3
Saber aplicar los métodos estudiados de Machine Learning en problemas de Ciberseguridad		B5729 B5730 B5736

Contenidos

Bloque	Tema
1. Introducción a Machine Learning y su aplicación en problemas ciberseguridad	1. Introducción a Machine Learning y su aplicación en problemas ciberseguridad
2. Fundamentos de Machine Learning e introducción a Python.	2. Fundamentos de Machine Learning e introducción a Python.
3. Métodos avanzados. Caso de estudio.	3. Métodos avanzados. Caso de estudio.

Planificación

Metodologías :: Pruebas
	Horas en clase	Horas fuera de clase	Horas totales
Trabajos	1	9	10

Practicas a través de TIC en aulas informáticas	15	30	45

Sesión Magistral	30	15	45


(*)Los datos que aparecen en la tabla de planificación són de carácter orientativo, considerando la heterogeneidad de los alumnos

Metodologías

Metodologías ::

	descripción
Trabajos	Trabajo en profundidad sobre un tema. Ampliación y relación de los contenidos dados en las sesiones magistrales con el quehacer profesional.
Practicas a través de TIC en aulas informáticas
Sesión Magistral	Exposición de los contenidos de la asignatura.

Tutorías

Sesión Magistral

descripción

El alumno puede contar con la ayuda del profesor previa solicitud vía correo electrónico o utilizando los foros de la asignatura en Moodle.

Evaluación

	descripción	calificación
Trabajos	Trabajo individual o grupal realizado por los alumnos en relación con los contenidos impartidos en las sesiones magistrales.	40%
Practicas a través de TIC en aulas informáticas	Prácticas en Python sobre los contenidos estudiados en el aula.	60%

Otros comentarios y segunda convocatoria
<div>La evaluación será de tipo sumativo y continuo-formativo. Para superar la asignatura es necesario obtener una calificación de, al menos, 50/100. Será necesario obtener una nota mínima del 40/100 en cada parte para poder promediar las calificaciones.</div><div><br /></div><div>La evaluación en segunda convocatoria consistirá en una prueba escrita (sesión síncrona para la versión online) consistente en problemas relacionados con el contenido de la asignatura y que deberán resolverse con Python.  Se entregará tanto el script de Python como el documento con las soluciones de los problemas planteados. Para superar la asignatura en segunda convocatoria es necesario obtener una calificación de, al menos, 50/100.</div>

Fuentes de información

Acceso a la Lista de lecturas de la asignatura

Básica	Mehryar Mohri, Afshin Rostamizadeh, and Ameet Talwalkar, Foundations of Machine Learning, The MIT Press, Sebastian Raschka, Python Machine Learning, Packt Publishing Ltd, Shai Shalev-Shwartz, Shai Ben-David, Understanding machine learning. From theory to algorithms, Cambridge University Press,

Complementaria

Recomendaciones


Otros comentarios
Se recomienda haber estudiado Álgebra Lineal, Cálculo, Probabilidad y Estadística, y Programación.