Créditos ECTS Créditos ECTS: 3
Horas ECTS Criterios/Memorias Horas de Titorías: 1 Clase Expositiva: 10 Clase Interactiva: 11 Total: 22
Linguas de uso Inglés
Tipo: Materia Ordinaria Máster RD 1393/2007 - 822/2021
Departamentos: Electrónica e Computación, Departamento externo vinculado ás titulacións
Áreas: Ciencia da Computación e Intelixencia Artificial, Área externa M.U en Intelixencia Artificial
Centro Escola Técnica Superior de Enxeñaría
Convocatoria: Primeiro semestre
Docencia: Con docencia
Matrícula: Matriculable
· Coñecer técnicas e ferramentas para implementar solucións baseadas en IA que permitan a detección automatizada de vulnerabilidades, ataques, contidos e aplicacións fraudulentas.
· Coñecer, comprender e analizar casos reais de aplicación de técnicas de IA en diferentes ámbitos da ciberseguridade.
· Coñecer técnicas que faciliten a seguridade por deseño e que permitan unha administración segura de sistemas e redes de comunicacións, permitan a xestión de riscos e posibiliten unha recuperación rápida ante eventos de ciberseguridade.
· Comprender a importancia do concepto de identidade e coñecer técnicas que permitan garantir o acceso aos datos e a súa privacidade.
Conceptos e introducción á ciberseguridade.
Modelos de detección de ameazas e prevención de ataques.
Detección de contidos e aplicacións fraudulentos.
Minería de datos en sistemas de xestión de eventos.
Control de identidade, biometrías e patróns de comportamento.
Detección de anomalías e agrupamento para a detección de ataques en comunicacións.
Xestión de riscos en IA, riscos críticos e perfís de normalidade, usos maliciosos e plans de continxencia e recuperación.
Bibliografía básica:
Effective Cybersecurity: A Guide to Using Best Practices and Standards.
William Stallings
Addison-Wesley Professional, 2018
ISBN 978-0134772806
Machine Learning and Security: Protecting Systems with Data and Algorithms, 1ra edición.
Clarence Chio, David Freeman.
O'Reilly, 2018
ISBN 978-1491979907
Mastering Machine Learning for Penetration Testing: Develop an extensive skill set to break self-learning systems using Python, 1ra edición
Chiheb Chebbi,
Packt Publisinh, 2018
ISBN 978-1788997409
Bibliografía complementaria:
- Hands-On Artificial Intelligence for Cybersecurity: Implement smart AI systems for preventing cyber attacks and detecting threats and network anomalies.
Alessandro Parisi
978-1789804027
Packt Publishing, 2019
- ENISA. Agencia de la Unión Europea para la Ciberseguridad.
https://www.enisa.europa.eu/
BÁSICAS E XERAIS
CG1 - Manter e extender planteamentos teóricos fundados para permitir a introdución e explotación de tecnoloxías novas e
avanzadas noen el campo da Intelixencia Artificial.
CG2 - Abordar con éxito todas as etapas dun proxecto de Intelixencia Artificial.
CG4 - Elaborar adecuadamente e con certa orixinalidade composicións escritas ou argumentos motivados, redactar plans,
proxectos de traballo, artículos científicos e formular hipóteses razoables no campo.
CG5 - Traballar en equipo, especialmente de carácter multidisciplinar, e ser hábiles na xestión do tempo, persoas e toma de
decisións.
CB6 - Posuír e comprender coñecementos que aporten unha base ou oportunidade de ser orixinais no desenvolvemento e/ou aplicación de
ideas, a menudo nun contexto de investigación.
CB7 - Que os/as estudantes saiban aplicar os coñecementos adquiridos e a súa capacidade de resolución de problemas en entornos
novos ou poco coñecidos dentro de contextos máis amplos (ou multidisciplinares) relacionados coa súa área de estudio.
CB9 - Que os/as estudantes saiban comunicar as súas conclusións e os coñecementos e razóns últimas que as sustentan a públicos
especializados e non especializados dun modo claro e sen ambigüidades.
CB10 - Que os/as estudantes posúan as habilidades de aprendizaxe que lles permitan continuar estudando dun modo que haberá de
ser en gran medida autodirixido ou autónomo.
TRANSVERSAIS
CT5 - Entender a importancia da cultura emprendedora e coñecer os medios ao alcance das persoas emprendedoras.
CT8 - Valorar a importancia que ten a investigación, a innovación e o desenvolvemento tecnolóxico no avance socioeconómico e cultural da sociedade.
CT9 - Ter a capacidade de xestionar tempos e recursos: desenvolver plans, priorizar actividades, identificar as críticas, establecer
prazos e cumplilos.
ESPECÍFICAS
CE4 - Coñecer os fundamentos e técnicas básicas da intelixencia artificial e a súa aplicación práctica.
CE8 - Capacidade para deseñar e desenvolver sistemas intelixentes seguros, en termos de integridade, confidencialidade e robustez.
CE19 - Coñecemento de diferentes ámbitos de aplicación das tecnoloxías baseadas en IA e a súa capacidade para ofrecer un valor
engadido diferenciador.
CE20 - Capacidade de afrontar entornos interdisciplinares e combinar e adaptar diferentes técnicas, extrapolando coñecementos
entre diferentes ámbitos.
CE21 - Coñecemento das técnicas que facilitan a organización e xestión de proxectos en IA en entornos reais, a xestión dos recursos e a planificación de tarefas dunha maneira eficiente, tendo en conta conceptos de diseminación do coñecemento e ciencia aberta.
CE22 - Coñecemento de técnicas que facilitan a seguridade dos datos, aplicacións e as comunicacións e as súas implicacións en
diferentes ámbitos de aplicación da IA.
CE30 - Ser capaz de plantear, modelar e resolver problemas que requiran a aplicación de métodos, técnicas e tecnoloxías de
intelixencia artificial.
Clases expositivas (10 horas):
Exposición oral complementada co uso de medios audiovisuais e a introdución dalgunhas preguntas dirixidas aos/ás estudantes, coa finalidade de transmitir coñecementos e facilitar a aprendizaxe. Ademais do tempo de exposición oral por parte do profesor, esta actividade formativa require do alumnado a dedicación dun tempo para preparar e revisar por cuenta propia os materiais obxecto da clase.
Clases interactivas (11 horas):
Aprendizaxe baseado en problemas, seminarios, estudo de casos e proxectos: trátase de sesións co obxectivo de que o alumnado adquira determinadas competencias en base á resolución de exercicios, estudo de casos e realización de proxectos que requiran da aplicación dos coñecementos e competencias desenvolvidas durante a materia. Estas sesións poden requirir do alumnado a presentación oral da súa solución aos problemas planteados. Os traballos realizados polo alumnado poden realizarse segundo o caso de forma individual ou en grupos de traballo.
Clases prácticas de laboratorio: clases dedicadas a que o alumnado desenvolva traballos prácticos que impliquen abordar a resolución de problemas complexos, e a análise e deseño de solucións que constitúan un medio para a súa resolución. Esta actividade pode requirir do alumnado a presentación oral dos traballos realizados. Os traballos realizados polo alumnado poden realizarse segundo o caso de forma individual ou en grupos de traballo.
E1: Exame final 25%
E2: Avaliación de traballos prácticos 40%
E3: Avaliación de traballos tutelados 35%
Para superar (e liberar) tanto E2 coma E3 requírese acadar un 40% da puntuación máxima prevista para estes elementos de avaliación. Non hai mínimo esixido para E1.
Para superar a materia é preciso acadar os mínimos anteriores (en E2 e E3) e sumar na nota final ponderada un mínimo de 5 puntos sobre 10.
No caso de non obter o mínimo esixido para superar algunha das partes (E2 e E3), o/a alumno/a terá unha segunda oportunidade na que so entregará os elementos non superados.
No caso de superar parte dos elementos avaliados, pero non acadar o mínimo preciso para aprobar a materia completa, a calificación a incluir nas respectivas actas calcularase como o mínimo entre a media ponderada das partes superadas e 4,9.
Terá a condición de “Presentado” quen entregue todas as prácticas e traballos obrigatorios ou se presente á proba obxectiva no período oficial de avaliación.
As entregas das prácticas e traballos deben realizarse dentro do prazo establecido, e seguirán as especificacións indicadas no enunciado tanto para a presentación como para a defensa.
No caso de realización fraudulenta de exercicios ou probas, aplicarase a "Normativa de avaliación do rendemento académico dos estudantes e de revisión de cualificacións" da universidade. En aplicación da normativa correspondente sobre plaxio, a copia total ou parcial dalgún exercicio de prácticas ou de teoría suporá o suspenso nas dúas oportunidades do curso, coa cualificación de 0,0 en ambos os casos.
Tempo de traballo presencial: 21 horas totais, divididas en 10h (Clases de teoría), 11h (Clases prácticas).
Tempo de traballo persoal: 54h.
A docencia impartirase en inglés. A docencia expositiva será impartida pola UVigo e retransmitida para todo o alumnado. Haberá un grupo de docencia interactiva específico e presencial en cada universidade (USC-UDC-UVigo).
Maria Purificacion Cariñena Amigo
Coordinador/a- Departamento
- Electrónica e Computación
- Área
- Ciencia da Computación e Intelixencia Artificial
- Teléfono
- 881813563
- Correo electrónico
- puri.carinena [at] usc.es
- Categoría
- Profesor/a: Profesor Contratado/a Doutor
| Mércores | |||
|---|---|---|---|
| 18:30-20:00 | Grupo /CLE_01 | Inglés | IA.12 |
| 22.01.2025 10:30-14:00 | Grupo /CLIL_01 | IA.12 |
| 22.01.2025 10:30-14:00 | Grupo /CLE_01 | IA.12 |
| 01.07.2025 10:30-14:00 | Grupo /CLE_01 | IA.12 |
| 01.07.2025 10:30-14:00 | Grupo /CLIL_01 | IA.12 |