Artificial intelligence (AI) is revolutionizing how organizations safeguard digital assets, detect threats, and respond to cyberattacks. This course provides a deep understanding of how AI can be leveraged to enhance cybersecurity, enabling professionals to build intelligent systems that predict and prevent potential breaches.
Learners will explore how AI-driven techniques streamline security operations, identify anomalies, and improve decision-making in real-time. By the end of the course, you’ll be able to design AI-based solutions that strengthen defense mechanisms and address modern cybersecurity challenges.
What makes this course unique is its focus on practical, hands-on implementation of AI tools and algorithms in security workflows. It bridges the gap between theory and practice, providing both conceptual clarity and real-world case studies.
This course is ideal for cybersecurity professionals, machine learning practitioners, and students interested in combining AI with security. A basic understanding of Python and machine learning concepts is recommended.
Based on the book, Artificial Intelligence for Cybersecurity, by Bojan Kolosnjaji, Huang Xiao, Peng Xu, and Apostolis Zarras.
- Big Data en Ciberseguridad
En esta sección, examinamos el papel del big data en la ciberseguridad, centrándonos en la detección de amenazas, la respuesta a incidentes y las consideraciones éticas utilizando herramientas y tecnologías analíticas avanzadas.
- Automatización en Ciberseguridad
En esta sección, cubrimos la automatización en la ciberseguridad, incluyendo herramientas, desafíos y consideraciones éticas.
- Análisis de Datos en Ciberseguridad
En esta sección, exploramos el papel de la IA en la ciberseguridad, incluyendo aplicaciones y cumplimiento regulatorio.
- Taxonomía de IA, Aprendizaje Automático y Estadísticas
En esta sección, aclaramos las distinciones entre la IA, el aprendizaje automático y las estadísticas, y exploramos las taxonomías, limitaciones y riesgos de seguridad del aprendizaje automático para aplicaciones prácticas.
- Problemas y Métodos de IA
En esta sección, cubrimos métodos de IA como bosque aleatorio, K-means y GANs para aplicaciones de ciberseguridad.
- Flujo de Trabajo, Herramientas y Bibliotecas en Proyectos de IA
En esta sección, cubrimos flujos de trabajo de proyectos de IA, herramientas para el análisis visual del tráfico de red y detección de malware.
- Detección y Análisis de Malware e Intrusiones de Red
En esta sección, exploramos la detección de malware impulsada por IA y el análisis de intrusiones de red, centrándonos en la utilización de conjuntos de datos, implementación de modelos y clasificación de amenazas en el mundo real.
- Análisis de Comportamiento de Usuarios y Entidades
En esta sección, exploramos técnicas UEBA para detectar amenazas avanzadas utilizando detección de anomalías impulsada por IA y extracción de características numéricas de datos de red.
- Detección de Fraude, Spam y Phishing
En esta sección, exploramos la detección de fraude, phishing y spam usando aprendizaje automático, enfocándonos en métodos colaborativos como el aprendizaje federado y el cómputo multipartito para detección de anomalías que preservan la privacidad.
- Autenticación de Usuarios y Control de Acceso
En esta sección, cubrimos métodos de autenticación de usuarios y control de acceso para asegurar entornos digitales.
- Inteligencia de Amenazas
En esta sección, cubrimos la recuperación de inteligencia de amenazas y aplicaciones de IA para analizar amenazas cibernéticas.
- Detección de Anomalías en Sistemas de Control Industrial
En esta sección, exploramos técnicas de detección de anomalías para sistemas de control industrial, centrándonos en la identificación de amenazas cibernéticas y el mejoramiento de la seguridad mediante métodos y marcos prácticos.
- Grandes Modelos de Lenguaje y Ciberseguridad
En esta sección, exploramos el uso de grandes modelos de lenguaje (LLMs) en ciberseguridad, centrándonos en sus aplicaciones en detección de amenazas, descubrimiento de vulnerabilidades y diseño de flujos de trabajo seguros, al tiempo que abordamos sus riesgos de seguridad inherentes.
- Calidad de Datos y Su Uso en la Era de la IA y LLM
En esta sección, exploramos el papel de la calidad de los datos en la IA y los LLMs, centrándonos en la validación, limpieza y aplicaciones prácticas para garantizar resultados fiables.
- Requisitos Técnicos
En esta sección, exploramos correlación, causalidad, sesgo y varianza en la IA para ciberseguridad, enfatizando su impacto en la precisión del modelo y la toma de decisiones en aplicaciones del mundo real.
- Evaluación, Monitoreo y Bucle de Retroalimentación
En esta sección, exploramos la evaluación de modelos de IA mediante métricas, monitoreo del rendimiento por latencia y sesgo, e implementación de estrategias de humano en el bucle para mejorar continuamente la ciberseguridad.
- Aprendizaje en un Entorno Cambiante y Adversarial
En esta sección, exploramos conceptos de aprendizaje automático adversarial (AML), vulnerabilidades en la IA generativa y técnicas defensivas para mejorar la seguridad y robustez del aprendizaje automático.
- Desafíos Actuales en la Seguridad de la IA
En esta sección, examinamos los desafíos en la seguridad de la IA, enfocándonos en la privacidad, responsabilidad y confianza, mientras exploramos estrategias para una gobernanza responsable de la IA y gestión de riesgos.
- Resumen
En esta sección, resumimos conceptos de IA y aprendizaje automático, conectamos las secciones anteriores y destacamos éxitos en el mundo real.
