Ciencia de datos para la ciberseguridad

Fernández Isabel, Alberto; Martín De Diego, Isaac

• Editorial: Grupo Editorial Ra-Ma
• Año: 2020
• ISBN de la versión impresa: 9788499646091
• ISBN del libro electrónico: 9788418551192

El propósito de este libro es presentar la Ciencia de Datos como herramienta para comprender, prevenir, detectar y remediar las amenazas en el dominio de la_x000D_Ciberseguridad._x000D_Este libro está dirigido a los profesionales, estudiantes, ingenieros, matemáticos y todos aquellos interesados en como abordar el reto de comprender la Ciencia_x000D_de Datos en el entorno de la Ciberseguridad. _x000D_El libro se estructura en diez capítulos donde se describen y desarrollan, de forma amena, didáctica y a través de ejemplos, los siguientes temas: _x000D_• Conceptos fundamentales de la Ciencia de Datos como campo interdisciplinar en la intersección de las matemáticas y estadística, las ciencias de la computación y el aqmbito de aplicación._x000D_• Ciclo de vida de un proyecto de Ciencia de Datos, recorriendo sus etapas en el dominio de la Ciberseguridad._x000D_? Objetivos_x000D_? Preparación de datos_x000D_? Modelización_x000D_? Evaluación_x000D_? Visualización_x000D_? Despliegue_x000D_• Casos de estudio tales como la detección de fraude, análisis malware, dinámicas de comportamiento, y detección de noticias falsas._x000D_• Retos emergentes de Ciberseguridad que pueden ser abordados desde la perspectiva de la Ciencia de Datos.

5

Técnicas y Métodos de Aprendizaje Máquina

Dentro del ciclo de vida de un Proyecto de Ciencia de Datos (Figura 1.3 del Capítulo 1) llegamos a una de las etapas fundamentales: “Construir el modelo”. Una vez adquiridos los datos, almacenados y preparados de modo correcto, es el momento de aplicar técnicas y algoritmos de Aprendizaje Máquina, en búsqueda de los objetivos fijados en etapas anteriores del proyecto.

El Aprendizaje Máquina es un subcampo interdisciplinar de la Inteligencia Artificial que desarrolla tanto el fundamento matemático como las aplicaciones prácticas de los sistemas que aprenden de los datos con alguna clase de tarea y alguna medida de rendimiento.

Podemos decir, por tanto, que el Aprendizaje Máquina se refiere al uso de las características correctas para construir los modelos correctos que desarrollen las tareas correctas [Learning, 2012]. Desde un punto de vista de alto nivel diremos que Aprendizaje Máquina se refiere al estudio sistemático de los algoritmos y sistemas que mejoran su conocimiento o rendimiento con la experiencia [Learning, 2012].

En general, dispondremos de un conjunto de observaciones con un número de variables o características, medidas sobre dichas observaciones. Estos atributos, que caracterizan a las observaciones, serán usados por los modelos de Aprendizaje Máquina para aprender a realizar las tareas que les sean encomendadas. Podemos dividir los algoritmos de Aprendizaje Máquina en dos grandes grupos según la existencia o no de una variable que corresponda a una clase etiquetada:

• Datos etiquetados: una de las variables recoge la etiqueta de la observación. Esta etiqueta refleja el valor de la variable objetivo, o variable respuesta, y es el atributo que normalmnete deseamos ser capaces de predecir. El Aprendizaje Máquina con datos etiquetados se denomina Aprendizaje Supervisado. Si la etiqueta es cualitativa la tarea se denomina clasificación. Si la etiqueta es cuantitativa la tarea se llama regresión.
• Datos no etiquetados: no se recoge ninguna etiqueta. El Aprendizaje Máquina utilizando datos no etiquetados se llama Aprendizaje No Supervisado. Los algoritmos de agrupamiento o Clustering examinan los datos para encontrar grupos de observaciones que son más similares entre sí respecto a las observaciones de otros grupos.

La siguiente Tabla presenta algunos ejemplos de aplicación de Aprendizaje Máquina junto con los algoritmos empleados.

Ejemplo	Aprendizaje Máquina	Algoritmos
Identifica...

Índice

• AUTORES
• PRóLOGO
• PREFACIO
• Introducción
• Comprender el Problema
• Los Datos
• Técnicas y Métodos de Preparación de los Datos
• Técnicas y Métodos de Aprendizaje Máquina
• Evaluación
• Explicación
• Despliegue del software de Ciencia de Datos
• Casos de Estudio
• Retos emergentes de Ciberseguridad
• Bibliografía
• Glosario de términos