CON03. Dominar el diseño y aplicación de las tecnologías para la seguridad.

CON06. Dominar el diseño y ejecución de la investigación en seguridad.

CON08. Describir las amenazas a la seguridad, especialmente las relacionadas con las TIC, con el cambio climático y nuevas alianzas geoestratégicas.

CON09. Entender los fundamentos de las geotecnologías yde las tecnologías de la información y sus aplicaciones en el ámbito de la seguridad pública y privada.

CON11. Adquirir y comprender los principales aspectos teóricos y metodológicos necesarios para la incorporación de las geotecnologías y tecnologías de la información.

HAB01. Diseñar y desarrollar investigaciones en el ámbito de la seguridad.

HAB03. Diseñar, ejecutar y evaluar planes, programas y proyectos de seguridad.

HAB05. Resolver problemas de diversa complejidad, desde una perspectiva multidisciplinar.

HAB06. Formular juicios a partir de una información, incluso siendo incompleta o limitada.

HAB07. Predecir y controlar la evolución de situaciones complejas.

CMP02. Gestionar la información a la que se tiene acceso, aplicando el rigor de una metodología científica adecuada al ámbito de estudio.

CMP05. Mostrar capacidad de organización y auto-organización, mediante una adecuada gestión del tiempo y planificación de las tareas.

CMP07. Identificar las posibilidades de las geotecnologías y las tecnologías de la información en los diferentes ámbitos de la seguridad.

CMP10. Descubrir los retos y alternativas tecnológicas de cara a una mejora de los planes de seguridad.

CMP11. Identificar y valorar el aporte de las diferentes geotecnologías y de las tecnologías de la información en materia preventiva, de análisis y control de seguridad.

1. Conceptos Básicos de Matemáticas y Estadística para el Aprendizaje Automático: tipos de datos, medidas básicas, representación gráfica, distribución de datos, correlación, etc.
2. Introducción a la ciencia de datos
   1. 1. Reglas de asociación
      2. Agrupamiento
3. Fundamentos del Aprendizaje Automático: aprendizaje supervisado y no supervisado, entrenamiento, prueba, validación, etc.
4. Aprendizaje Automático supervisado:
   1. 1. Técnicas de Clasificación
      2. Regresión
5. Introducción al Aprendizaje Automático no supervisado.
   1. 1. Clustering
      2.  Tipos de clusters
6. Herramientas prácticas para el aprendizaje automático.
7. Aplicaciones en seguridad y en  ciberseguridad.

Estadística práctica para ciencia de datos con R y Python

Bruce, Peter ; Bruce, Andrew ; Gedeck, Peter

Barcelona: Marcombo, 2022

Introducción Al Aprendizaje Automático con Orange

Casas, José Manuel ; Suárez, Sergio Luis ; Bonavera, Laura ; Sánchez, Fernando

Barcelona: Marcombo, S.A, 2024

Machine Learning: The Basics

Jung, Alexander

Singapore: Springer, 2022

Ciencia de datos para la ciberseguridad

Martín de Diego, Isaac ; Fernández Isabel, Alberto

Paracuellos de Jarama, Madrid: Ra-Ma, 2020

Minería de Datos : Modelos y Algoritmos

Roig, Jordi Gironés, author. ; Casas-Roma, Jordi, author. ; Minguillón Alfonso, Julià, author.

Barcelona : Editorial UOC, [2017]

Data Mining: Practical Machine Learning Tools and Techniques

Witten, Ian H ; Frank, Eibe ; Hall, Mark A

Chantilly: Elsevier Science & Technology, 2011

Los procedimientos de evaluación miden la consecución de los objetivos de la asignatura y la adquisición de las competencias descritas. Por ello, el proceso de evaluación se llevará a cabo, por un lado, teniendo en cuenta el trabajo realizado por el alumno a lo  largo del cuatrimestre: elaboración de hojas de ejercicios, exposición de trabajos y ejercicios propuestos, y por otro, valorando los resultados obtenidos en los exámenes realizados durante este período.

Se llevarán a cabo dos pruebas parciales (exámenes presenciales escritos) para la evaluación de los conceptos teóricos y prácticos expuestos durante el curso.  Supondrá un 70% de la nota final de la asignatura. La exposición en clase de los ejercicios y trabajos propuestos supondrá un 30% de la nota final de la asignatura.

Para aprobar la asignatura, es requisito indispensable tener una calificación superior a cuatro en cada uno de los exámenes parciales y una calificación media entre ambos igual o superior a cinco.

En el caso de no superar la asignatura, el procedimiento de recuperación consistirá en la realización de un examen presencial.

La resolución de ejercicios se considera una herramienta indispensable para entender los contenidos del curso y abordar con éxito las pruebas de evaluación.