Aprendizaje automático forense para la aplicación de la ley, la seguridad y la inteligencia

Puntuación:   (3,9 de 5)

Aprendizaje automático forense para la aplicación de la ley, la seguridad y la inteligencia (Jesus Mena)

Opiniones de los lectores

Resumen:

El libro goza de gran prestigio entre los investigadores de fraudes y ofrece información útil sobre investigaciones de fraudes y herramientas aplicables. Sin embargo, recibe críticas por ser excesivamente denso y complejo desde el punto de vista matemático, lo que lo hace menos accesible para quienes carecen de una formación matemática significativa.

Ventajas:

Ofrece información actual relevante para las investigaciones de fraude
incluye diversas herramientas y métodos para llevar a cabo investigaciones de fraude
contiene escenarios de la vida real y directrices para la investigación forense.

Desventajas:

Denso y complejo, repleto de conceptos matemáticos avanzados, lo que lo hace inadecuado para quienes no tienen una amplia formación matemática
carece de material de apoyo como una guía de estudio
algunos lectores lo encontraron difícil de entender y menos relevante para un público más amplio.

(basado en 8 opiniones de lectores)

Título original:

Machine Learning Forensics for Law Enforcement, Security, and Intelligence

Contenido del libro:

Cada vez más, los delitos y el fraude son de naturaleza digital, se producen a una velocidad vertiginosa y abarcan grandes volúmenes de datos. Para combatir esta actividad ilícita, es fundamental conocer el uso de la tecnología y el software de aprendizaje automático. Machine Learning Forensics for Law Enforcement, Security, and Intelligence integra un surtido de herramientas, técnicas y tecnologías deductivas e instructivas para armar a los profesionales con las herramientas que necesitan para estar preparados y adelantarse a los acontecimientos.

Instrucciones paso a paso

El libro es una guía práctica sobre cómo llevar a cabo investigaciones forenses utilizando redes neuronales de mapas de agrupación autoorganizados (SOM), extracción de texto y software de generación de reglas para "interrogar a las pruebas". Estos potentes datos son indispensables para la detección de fraudes, la ciberseguridad, la contrainteligencia competitiva y las investigaciones corporativas y de litigios. El libro también ofrece instrucciones paso a paso sobre cómo construir sistemas adaptativos de detección de delitos y fraudes para organizaciones.

La predicción es la clave

La actividad en Internet, el correo electrónico y las comunicaciones inalámbricas pueden capturarse, modelarse y desplegarse para anticiparse a posibles ciberataques y otros tipos de delitos. La predicción acertada de las reacciones humanas y las acciones de los servidores mediante la cuantificación de sus comportamientos tiene un valor incalculable para adelantarse a la actividad delictiva. Este volumen ayuda a los directores de información, al personal encargado de hacer cumplir la ley, a los profesionales jurídicos y de TI, a los investigadores y a los analistas de inteligencia competitiva en la planificación estratégica necesaria para reconocer los patrones de las actividades delictivas con el fin de predecir cuándo y dónde es probable que se produzcan delitos e intrusiones.

Otros datos del libro:

ISBN:9781439860694
Autor:
Editorial:
Encuadernación:Tapa dura
Año de publicación:2011
Número de páginas:349

Compra:

Actualmente disponible, en stock.

¡Lo compro!

Otros libros del autor:

Aprendizaje automático forense para la aplicación de la ley, la seguridad y la inteligencia -...
Cada vez más, los delitos y el fraude son de...
Aprendizaje automático forense para la aplicación de la ley, la seguridad y la inteligencia - Machine Learning Forensics for Law Enforcement, Security, and Intelligence

Las obras del autor han sido publicadas por las siguientes editoriales:

© Book1 Group - todos los derechos reservados.
El contenido de este sitio no se puede copiar o usar, ni en parte ni en su totalidad, sin el permiso escrito del propietario.
Última modificación: 2024.11.14 07:32 (GMT)