کتاب محافظت از مدل‌های یادگیری ماشین با فرمت AZW3 برای کتابخوان کیندل و فرمت EPUB

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره محافظت از مدل‌های یادگیری ماشین

موضوع کلی: توسعه برنامه‌های وب پیشرفته

موضوع میانی: Machine learning privacy best practices and implementation

📋 سرفصل‌های دوره

• 1. محافظت از مدل‌های یادگیری ماشین
• 2. مقدمه‌ای بر امنیت مدل‌های یادگیری ماشین
• 3. تهدیدات رایج علیه مدل‌های یادگیری ماشین
• 4. حملات مسموم‌سازی داده‌ها
• 5. حملات استخراج مدل
• 6. حملات تقلب و دور زدن مدل
• 7. حملات دشمنانه: اصول اولیه
• 8. حملات دشمنانه مبتنی بر گرادیان
• 9. حملات دشمنانه مبتنی بر بهینه‌سازی
• 10. دفاع در برابر حملات دشمنانه: آموزش مقاوم
• 11. حریم خصوصی دیفرانسیل: مفاهیم پایه
• 12. حریم خصوصی دیفرانسیل در یادگیری ماشین
• 13. محافظت از داده‌های آموزشی
• 14. ناشناس‌سازی داده‌ها: تکنیک‌ها و چالش‌ها
• 15. یادگیری فدرال: مقدمه و اصول
• 16. یادگیری فدرال: حفظ حریم خصوصی
• 17. محاسبات همومورفیک: مفاهیم و کاربردها
• 18. امنیت مدل‌های یادگیری تقویتی
• 19. حملات به مدل‌های یادگیری تقویتی
• 20. دفاع در برابر حملات یادگیری تقویتی
• 21. امنیت مدل‌های مولد (GANs)
• 22. حملات به شبکه‌های مولد تخاصمی
• 23. دفاع از شبکه‌های مولد تخاصمی
• 24. تفسیرپذیری مدل: اهمیت و روش‌ها
• 25. تفسیرپذیری مدل و امنیت
• 26. مانیتورینگ و تشخیص ناهنجاری در مدل‌ها
• 27. مدیریت آسیب‌پذیری در مدل‌های یادگیری ماشین
• 28. کنترل دسترسی به مدل‌ها و داده‌ها
• 29. رمزنگاری داده‌های مدل
• 30. امنیت زنجیره تامین مدل‌های یادگیری ماشین
• 31. تست نفوذ مدل‌های یادگیری ماشین
• 32. ارزیابی ریسک امنیتی مدل‌های یادگیری ماشین
• 33. استانداردها و چارچوب‌های امنیتی برای یادگیری ماشین
• 34. قوانین و مقررات مربوط به امنیت داده و حریم خصوصی
• 35. محافظت از مدل‌ها در محیط‌های ابری
• 36. امنیت مدل‌ها در دستگاه‌های لبه‌ای
• 37. به‌روزرسانی و نگهداری امن مدل‌ها
• 38. مدیریت پیکربندی مدل‌ها
• 39. امنیت خط لوله استقرار مدل
• 40. محافظت از APIهای مدل
• 41. تشخیص تقلب در پیش‌بینی‌های مدل
• 42. بهبود قابلیت اطمینان مدل‌ها
• 43. استفاده از تکنیک‌های یادگیری خودنظارتی برای امنیت
• 44. امنیت مدل‌های مبتنی بر دانش
• 45. حملات مبتنی بر سوءاستفاده از ویژگی‌ها