IA para Monitoreo de Actividades Sospechosas

Resumen

Build AI-Powered Systems to Detect Anomalies, Fraud, and Unusual Patterns in Real-Time Using Machine Learning & Gen AI What you'll learn:

Learn about the uses of self-supervised machine learningImplement self-supervised machine learning frameworks such as autoencoders using PythonLearn about deep learning frameworks such as Keras and H2OLearn about Gen AI and LLM Frameworks Unlock the power of AI to detect anomalies, fraud, and suspicious behaviour in digital systems. "AI for Suspicious Activity Monitoring" is a hands-on, end-to-end course designed to teach you how to use traditional AI techniques, deep learning, and generative AI (GenAI) to monitor and respond to unusual patterns in real-world data.Whether you're a developer, data analyst, or aspiring AI professional, this course provides practical tools and strategies to build intelligent monitoring systems using Python, autoencoders, and large language models (LLMs).What You’ll Learn Anomaly Detection Techniques:

Implement classical and modern methods, including statistical outlier detection, clustering-based approaches, and autoencoders.Deep Learning for Behaviour Monitoring:

Use unsupervised learning (e.g., autoencoders) to detect irregular patterns in time series, text, or sensor data.GenAI & LLM Integration:

Explore how large language models like OpenAI’s GPT and frameworks such as LangChain and LLAMA-Index can assist in monitoring human-generated activity (e.g., suspicious conversations, document scans).Fraud and Cyber Threat Detection:

Apply AI tools to detect threats in finance, cybersecurity, e-commerce, and other high-risk domains.Cloud-Based Implementation:

Build scalable pipelines using tools like Google Colab for real-time or batch monitoring.Text Analysis for Audit Trails:

Perform NLP-based extraction, entity recognition, and text summarisation to flag risky interactions and records.Why Enrol in This Course?In today’s fast-paced digital world, AI-powered monitoring systems are essential to detect threats early, reduce risk, and protect operations. This course offers:

A practical, Python-based curriculum tailored for real-world applicationsStep-by-step project-based learning guided by an instructor with an MPhil from the University of Oxford and a PhD from the University of CambridgeA rare combination of AI, deep learning, and GenAI in a single courseUse of cutting-edge LLM frameworks like OpenAI, LangChain, and LLAMA-Index to expand beyond numerical anomaly detection into text-based threat detectionLifetime access, updates, and instructor support

Programa

• Introducción a la IA para el Monitoreo de Actividades Sospechosas
Visión general de los objetivos del curso
Introducción a los sistemas de detección de anomalías
Importancia de la IA en ciberseguridad y prevención del fraude
• Fundamentos de la Detección de Anomalías
Técnicas de detección de puntos atípicos estadísticos
Enfoques basados en agrupamientos
Introducción al aprendizaje automático auto-supervisado
• Aprendizaje Automático Auto-Supervisado
Comprensión de autoencoders
Implementación de autoencoders en Python
Estudios de caso: Detección de anomalías con autoencoders
• Marcos de Aprendizaje Profundo
Introducción a Keras para aprendizaje profundo
Exploración de H2O para soluciones de IA
Ejercicios prácticos usando Keras y H2O
• GenAI y Modelos de Lenguaje de Gran Tamaño (LLMs)
Resumen de conceptos de IA generativa
Utilización de GPT de OpenAI para monitoreo
Marcos: LangChain e Índice LLAMA
Monitoreo de actividad generada por humanos
• Detección de Fraude y Amenazas Cibernéticas
Aplicaciones de IA en finanzas, ciberseguridad y comercio electrónico
Herramientas para la detección de amenazas
Construcción de sistemas de monitoreo inteligentes
• Implementación de IA en la Nube
Configuración de tuberías de IA escalables
Uso de Google Colab para monitoreo en tiempo real
Técnicas de procesamiento por lotes
• Análisis de Texto para Actividades Sospechosas
Técnicas de procesamiento del lenguaje natural (PLN)
Extracción de texto, reconocimiento de entidades y resumen
Automatización de auditorías y señalización de riesgos
• Proyectos Finales y Estudios de Caso
Diseño e implementación de un sistema de monitoreo
Estudio de caso: Aplicación en el mundo real en finanzas
Estudio de caso: Aplicación en el mundo real en ciberseguridad
• Conclusión del Curso
Resumen de aprendizajes clave
Tendencias futuras en IA para monitoreo
Trayectorias profesionales y oportunidades en IA
• Recursos Adicionales y Apoyo
Acceso de por vida a materiales del curso y actualizaciones
Apoyo del instructor e interacción con la comunidad
Lectura adicional y práctica en temas de IA

---

Impartido por

Minerva Singh

---

Materias

Data Science