Universidad Rey Juan Carlos

Advanced University Course in Sciences Applied to Cybersecurity: Machine Learning & Complex Network

Τρόπος λειτουργίας: Πρόσωπο με πρόσωπο, με υποστήριξη στα μαθήματα μέσω Streaming

Αριθμός μονάδων: 13 (130 διδακτικές ώρες)

Ώρες επικοινωνίας: 4.5

1. Μετρήσεις και μέτρα κυβερνοασφάλειας
2. Κατανοώντας αδόμητα δεδομένα
3. Παλινδρόμηση και Πρόβλεψη
4. Ταξινόμηση, έλεγχος υποθέσεων και ανίχνευση ανωμαλιών
5. Σύσταση συστημάτων
6. Σύνθετη Ανάλυση Δικτύου
7. Προγνωστικά μοντέλα για χρονικά δεδομένα

Γενικές ικανότητες

• Δυνατότητα αναζήτησης συγκεκριμένων πληροφοριών που σχετίζονται με τα διαφορετικά θέματα του Master από όλες τις διαθέσιμες πηγές.
• Δυνατότητα παρουσίασης και ανάπτυξης αναφορών.
• Ικανότητα ερμηνείας τεχνικών εγγράφων.
• Ικανότητα ομαδικής εργασίας, σε διεπιστημονικό περιβάλλον.
• Διαχείριση πόρων: οργάνωση και ικανότητα καθορισμού προτεραιοτήτων εργασίας.
• Ευελιξία προσαρμογής κατά την ανάπτυξη ενός έργου, ικανότητα επανεξέτασης.
• Κριτική συλλογιστική: ανάλυση, σύνθεση και αξιολόγηση διαφορετικών εναλλακτικών λύσεων.
• Ικανότητα αποτελεσματικής γραπτής και προφορικής επικοινωνίας.
• Διαχείριση πληροφοριών: συλλογή πληροφοριών, οργάνωση κ.λπ.
• Υπευθυνότητα και ικανότητα αυτομάθησης.

Ειδικές Ικανότητες

• Ο μαθητής θα μάθει πώς λειτουργούν οι διάφοροι αλγόριθμοι και τεχνικές κρυπτογράφησης και τα οφέλη και τους περιορισμούς τους.
• Θα μάθετε τα διάφορα συστήματα και τύπους ελέγχου ταυτότητας, καθώς και τη διαφορά μεταξύ ελέγχου ταυτότητας και εξουσιοδότησης.
• Ο μαθητής θα είναι σε θέση να αξιολογήσει πιθανούς κινδύνους και να προτείνει τρόπους μείωσης τους.
• Ο μαθητής θα γνωρίσει τη γλώσσα προγραμματισμού Python, θα αποκτήσει μια επισκόπηση της γλώσσας και θα μπορέσει να δημιουργήσει σύνθετα προγράμματα.
• Θα εξοικειωθείτε με τις θεμελιώδεις έννοιες της μεταβλητής επεξεργασίας, της ανάπτυξης αλγορίθμων και του προγραμματισμού.
• Ο μαθητής θα μάθει ένα ολοκληρωμένο όραμα για τις τεχνολογίες και τις τεχνικές κυβερνοασφάλειας.
• Θα μάθετε νέες μεθόδους υπολογισμού κρυπτογραφημένων δεδομένων, ασφάλειας δικτύου και σχεδίασης πρωτοκόλλου
• Θα γνωρίζετε τις πιο αποτελεσματικές τεχνικές Machine Learning.
• Θα μάθετε τις διαφορές και τη συμβατότητα μεταξύ Octave και MATLAB.
• Θα ξέρετε πώς να κάνετε διάκριση μεταξύ μοντέλων γραφικών και μοντέλων δικτύου.
• Θα ξέρετε πώς να διαφοροποιείτε τις προβλέψεις για χρονικά δεδομένα από άλλους τύπους δεδομένων.

Επιπλέον, θα είναι εγγυημένες οι ακόλουθες βασικές ικανότητες:

• Να κατέχει και να κατανοεί τη γνώση που παρέχει τη βάση ή την ευκαιρία να είσαι πρωτότυπος στην ανάπτυξη ή/και την εφαρμογή ιδεών, συχνά σε ερευνητικό πλαίσιο.
• Ότι οι μαθητές γνωρίζουν πώς να εφαρμόζουν τη γνώση που αποκτούν και την ικανότητά τους να επιλύουν προβλήματα σε νέα ή ελάχιστα γνωστά περιβάλλοντα σε ευρύτερα (ή πολυεπιστημονικά) πλαίσια που σχετίζονται με τον τομέα σπουδών τους.
• Ότι οι μαθητές είναι σε θέση να ενσωματώσουν τη γνώση και να αντιμετωπίσουν την πολυπλοκότητα του να κάνουν κρίσεις με βάση ελλιπείς ή περιορισμένες πληροφορίες
• Να γνωρίζουν οι μαθητές πώς να μεταδίδουν τα συμπεράσματά τους –και τις τελικές γνώσεις και τους λόγους που τους υποστηρίζουν– σε εξειδικευμένο και μη κοινό με σαφή και ξεκάθαρο τρόπο.
• Ότι οι μαθητές διαθέτουν τις μαθησιακές δεξιότητες που τους επιτρέπουν να συνεχίσουν να σπουδάζουν με τρόπο που θα είναι σε μεγάλο βαθμό αυτοκατευθυνόμενος ή αυτόνομος.
• Οι μαθητές είναι σε θέση να δημιουργήσουν τις σχετικές αλληλεπιδράσεις μεταξύ των διαφόρων κλάδων που απαρτίζουν το Master.
• Οι μαθητές έχουν επικοινωνιακές δεξιότητες σε προφορικό και γραπτό επίπεδο στη διάδοση της γνώσης κατασκευής και σχεδιασμού.
• Ότι έχουν την ικανότητα σύνθεσης και ανάλυσης στην παρουσίαση των περιεχομένων.
• Οι φοιτητές είναι σε θέση να εφαρμόζουν κριτική κρίση στον τομέα της γενικής και ειδικής βιβλιογραφίας που σχετίζεται με το πεδίο των σχετικών σπουδών.