3.49. AI364 Inteligencia Artificial para Ciberseguridad I (Obligatorio)
  • ES Español (Latinoamérica)

3.49. AI364 Inteligencia Artificial para Ciberseguridad I (Obligatorio)

Figura 3.49: Mapa de Conexión. AI364 Inteligencia Artificial para Ciberseguridad I

  • ES Español (Latinoamérica)
3.49.1. Justificación Volver arriba

Este curso cubre técnicas avanzadas de IA aplicadas a ciberseguridad, incluyendo detección de amenazas mediante aprendizaje automático, generación de adversarios y defensas autónomas contra ataques modernos.

  • ES Español (Latinoamérica)
3.49.2. Objetivos Generales Volver arriba

  1. Implementar sistemas de detección de intrusos basados en IA
  2. Diseñar pruebas de estrés para modelos de seguridad
  3. Analizar implicaciones éticas del uso ofensivo de IA

  • ES Español (Latinoamérica)
3.49.3. Contribución a los resultados (Outcomes) Volver arriba

AG-C02) Ética: Aplica principios éticos y se compromete con la ética profesional y las normas de la práctica profesional de la computación. (Usage)
AG-C09) Diseño y Desarrollo de Soluciones: Diseña, implementa y evalúa soluciones para problemas complejos de computación. (Assessment)
AG-C12) Aplica teorías de IA, algoritmos cognitivos y principios de Data Engineering para construir sistemas inteligentes autónomos. (Assessment)

  • ES Español (Latinoamérica)
3.49.4. Contenido Volver arriba

  • ES Español (Latinoamérica)
3.49.4.1. Fundamentos de IA en Cybersecurity (12 horas) [Habilidades AG-C02] Volver arriba

Referencias Bibliográficas: (Apruzzese and Laskov, 2023)

Temas

  1. Taxonomía de amenazas asistidas por IA
  2. Arquitecturas de modelos para análisis de malware
  3. Datasets de seguridad (CIC-IDS, NSL-KDD)

Aprendizaje esperado (Learning Outcomes)

  1. Clasificar amenazas usando redes neuronales [Evaluar]
  2. Preprocesar logs de seguridad para modelos ML [Usar]
  • ES Español (Latinoamérica)
3.49.4.2. Ataques y Defensas (24 horas) [Habilidades AG-C02] Volver arriba

Referencias Bibliográficas: (Goodfellow et al., 2014b; Anderson and Roth, 2020)

Temas

  1. Adversarial examples en modelos de seguridad
  2. Generación automática de exploits (Fuzzing con RL)
  3. Sistemas de detección autoadaptativos

Aprendizaje esperado (Learning Outcomes)

  1. Implementar ataques adversarios a modelos ML [Usar]
  2. Diseñar defensas metamórficas [Evaluar]
  • ES Español (Latinoamérica)
3.49.4.3. Ética en Cybersecurity (8 horas) [Habilidades AG-C02] Volver arriba

Referencias Bibliográficas: (Apruzzese and Laskov, 2023)

Temas

  1. Armas cibernéticas autónomas
  2. Responsabilidad en vulnerabilidades IA-generadas
  3. Regulaciones internacionales (AI Cyber Initiative)

Aprendizaje esperado (Learning Outcomes)

  1. Evaluar riesgos de sistemas autónomos [Familiarizarse]
  2. Diseñar protocolos de rendición de cuentas [Usar]

  • ES Español (Latinoamérica)
3.49.5. Referencias Bibliográficas Volver arriba

Apruzzese, G. and Laskov, P. (2023). AI for Cybersecurity. Springer.

Goodfellow, I., Shlens, J., and Szegedy, C. (2014b). Explaining and Harnessing Adversarial Examples. ICLR.

Anderson, H. and Roth, P. (2020). Metamorphic testing for adversarial defenses. ACM CCS.

¿Encontraste una errata, un curso desactualizado, un enlace roto, o tienes una sugerencia? Cuéntanos.

Escanea para abrir en tu teléfono