Guia docente
DATOS IDENTIFICATIVOS 2023_24
Asignatura FUNDAMENTOS DE MACHINE LEARNING Y APLICACIONES A LA CIBERSEGURIDAD Código 01747013
Enseñanza
1746 - Máster Universitario de Investigación en Ciberseguridad (OL)
Descriptores Cr.totales Tipo Curso Semestre
4 Optativa Primer Primero
Idioma
Castellano
Prerrequisitos
Departamento MATEMATICAS
Responsable
CASTRO GARCIA, NOEMI DE
 Correo-e ncasg@unileon.es
amunc@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 GOMEZ PEREZ , JAVIER
Secretario MATEMATICAS TROBAJO DE LAS MATAS , MARIA TERESA
Vocal MATEMATICAS FRANCISCO IRIBARREN , ARACELI DE
Tribunal suplente
Cargo Departamento Profesor
Presidente MATEMATICAS HERMIDA ALONSO , JOSÉ ÁNGEL
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.
  B5731 1747CG3 Emitir juicios sobre temas relevantes de índole social, científica o ética desde la perspectiva de la ciberseguridad./ Judging relevant subjects of social, scientific, or ethical nature from a cybersecurity perspective.
  B5732 1747CG4 Transmitir soluciones al entorno industrial y empresarial en el campo de la ciberseguridad./ Convey solutions to the industrial and corporate environment in the field of cybersecurity.
  B5733 1747CG5 Ser capaz de desarrollar proyectos de seguridad informática y de las comunicaciones./ Being able to develop computer and communications security projects.
  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.
  B5735 1747CT2 Liderazgo: capacidad para liderar grupos de trabajo, reuniones, supervisar personas, etc./Leadership: ability to lead workgroups, meetings, supervise people, etc.
  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.
  B5737 1747CT4 Pensamiento crítico: capacidad de analizar, sintetizar y extraer conclusiones de un artículo (ya sea de opinión o científico)./ Critical thinking: the ability to analyze, synthesize, and draw conclusions from an article (either opinion or scientific).
  B5738 1747CT5 Creatividad: capacidad de innovación, iniciativa, fomento de ideas e inventiva./Creativity: the capacity for innovation, initiative, and inventiveness.
  B5739 1747CT6 Gestión: capacidad de gestionar tiempo y recursos, desarrollar planes, priorizar actividades identificando las críticas, establecer plazos y cumplirlos./Management: ability to manage time and resources, developing plans, prioritize activities to identify critics, establish deadlines, and meet themselves-.
  B5740 1747CT7 Aprender de forma autónoma./Self-learning ability.
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.
  C2 Que los estudiantes sean capaces de integrar conocimientos y enfrentarse a la complejidad de formular juicios a partir de una información que, siendo incompleta o limitada, incluya reflexiones sobre las responsabilidades sociales y éticas vinculadas a la aplicación de sus conocimientos y juicios.
  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.
  C4 Que los estudiantes posean las habilidades de aprendizaje que les permitan continuar estudiando de un modo que habrá de ser en gran medida autodirigido o autónomo.
  C5 Poseer y comprender conocimientos que aporten una base u oportunidad de ser originales en el desarrollo y/o aplicación de ideas, a menudo en un contexto de investigación

Resultados de aprendizaje
Resultados Competencias
Identificar cuándo un problema es susceptible de ser abordado con técnicas de Machine Learning C1
C4
Conocer los modelos básicos de Machine Learning y entender los conceptos matemáticos en los que se basan B5730
B5731
B5736
B5737
 C1
C2
C4
C5
Implementar los modelos básicos en Python, así como hacer uso de las librerías específicas de Machine Learning en Python B5732
B5733
B5738
B5740
 C1
C4
Conocer y desarrollar algoritmos programados en Python B5734
 C4
Conocer y saber utilizar métodos de análisis avanzados en el contexto de Machine Learning B5736
B5738
B5739
 C4
Que los estudiantes sepan comunicar sus conclusiones B5739
 C3
Saber aplicar los métodos estudiados de Machine Learning en problemas de Ciberseguridad B5729
B5730
B5735
B5736
 C4

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 Realización de prácticas en lenguaje de programación
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. 0%-60%
Practicas a través de TIC en aulas informáticas Prácticas en Python sobre los contenidos estudiados en el aula. 0%-60%
Otros Otras pruebas de evaluación 0%-60%
 
Otros comentarios y segunda convocatoria
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.

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. Para superar la asignatura en segunda convocatoria es necesario obtener una calificación de, al menos, 50/100.

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.