Aprendizaje Automático para la Detección de Amenazas y Anomalías Cibernéticas

Resumen

Machine learning is transforming how organisations detect cyber threats — but most security professionals lack hands-on experience building and deploying ML models. This course closes that gap, taking you from core ML concepts to practical, applied threat detection on real cybersecurity datasets.

You'll start with the foundations:

model training, learning types, and measuring model accuracy. You'll also learn how attackers exploit ML systems through inference, poisoning, and adversarial input — giving you a security-first perspective from the start.

From there, you'll move into hands-on application. You'll load, preprocess, train, and test classification and regression models to identify malware, detect fraud, and analyse network traffic.

You'll apply artificial neural networks to classify malware binaries and behavioural patterns. In the final section, you'll build network anomaly detection models using K-Nearest Neighbors (KNN) and One-Class SVM to identify outlier traffic and distinguish normal behaviour from potential attacks.

Designed for security analysts, SOC teams, IT engineers, and data scientists entering cybersecurity. Basic cybersecurity knowledge is recommended.

Job skills taught:

Machine Learning for Cybersecurity · Threat Detection · Malware Analysis · Network Anomaly Detection · ML Model Training and Evaluation · Classification and Regression Modelling · Fraud Detection · Artificial Neural Networks · Network Traffic Analysis Features Coursera Coach, Dialogues and Role Plays - a smarter way to learn with interactive, real-time conversations that help you test your knowledge, challenge assumptions, and deepen your understanding as you progress through the course.

Programa

• Introducción a la IA y el Aprendizaje Automático en Ciberseguridad
La Inteligencia Artificial (IA) y el Aprendizaje Automático (AA) transforman la defensa cibernética al detectar patrones y responder a anomalías. Este módulo construye una sólida base en IA y AA para aplicaciones de ciberseguridad. Estudiarás conceptos fundamentales del aprendizaje automático, incluidos el entrenamiento de modelos, tipos de aprendizaje y medición de efectividad. También examinarás cómo los atacantes explotan los sistemas de AA mediante inferencias, envenenamiento y entradas adversariales. Al final, comprenderás el papel del AA en la defensa cibernética, sus nuevas superficies de ataque y cómo evaluar sus fortalezas y limitaciones.
• Aplicaciones del Aprendizaje Automático en Ciberseguridad
El Aprendizaje Automático es una herramienta potente para combatir amenazas cibernéticas. Este módulo avanza más allá de la teoría hacia técnicas prácticas de AA para la defensa cibernética. Identificarás malware, detectarás anomalías en el tráfico de red y descubrirás fraudes. Aprende a cargar, preprocesar, entrenar y probar modelos de clasificación y regresión utilizando herramientas prácticas. Los algoritmos ayudan a automatizar la detección de amenazas y a acelerar la respuesta. Al final, ejecutarás modelos de AA en conjuntos de datos cibernéticos, obteniendo nuevos conocimientos y preparación.
• Aprendizaje Automático para la Detección de Amenazas y Análisis de Tráfico de Red
Los ataques cibernéticos modernos a menudo viajan a través de las venas digitales de una organización, sus redes. Este módulo muestra cómo el Aprendizaje Automático identifica patrones inusuales y detecta amenazas ocultas. Estudiarás los fundamentos del malware, desde binarios hasta tipos de comportamiento, y cómo los modelos de AA analizan el tráfico de red para señalar anomalías. A través de ejercicios prácticos, trabajarás con conjuntos de datos de malware y aplicarás algoritmos de aprendizaje automático, incluidas las redes neuronales artificiales, para clasificar comportamientos maliciosos. Adquiere habilidades para crear mecanismos de defensa inteligentes que aprendan de amenazas en evolución, mejorando la resiliencia cibernética.
• Aprendizaje Automático para la Detección de Anomalías en la Red
Los atacantes cibernéticos imitan el tráfico normal. Este módulo enseña cómo el aprendizaje automático transforma la detección de anomalías, ayudándote a identificar señales de compromiso. Estudiarás técnicas fundamentales como K-Nearest Neighbors (KNN) y Máquinas de Vectores de Soporte de Clase Única (SVM), aplicándolas a registros de red para detectar anomalías y distinguir el tráfico. Mediante la experimentación práctica, ganarás experiencia construyendo modelos que identifican automáticamente comportamientos anormales en la red. Al final, utilizarás el aprendizaje automático para la detección avanzada de amenazas, haciendo las defensas más inteligentes y adaptativas.
• Mini Proyecto
En este módulo, construirás y evaluarás un modelo de AA para detectar tráfico de red anómalo y clasificar binarios maliciosos. El proyecto te permite construir un portafolio comprensivo de artefactos que demuestran tus capacidades de principio a fin.

Impartido por

Matt Bushby

Materias

Computer Science