فلش‌کارت‌های آموزشی یادگیری ماشین خصمانه برای سیستم‌های هوشمند شناختی: شناسایی، حمله و دفاع

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره یادگیری ماشین خصمانه برای سیستم‌های هوشمند شناختی: شناسایی، حمله و دفاع

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: امنیت و یادگیری ماشین خصمانه

📋 سرفصل‌های دوره

• 1. مبانی امنیت در سامانه‌های هوش مصنوعی
• 2. مفاهیم پایه یادگیری ماشین خصمانه
• 3. مدل تهدید در سامانه‌های هوشمند
• 4. سطوح حمله در چرخه عمر مدل‌های یادگیری ماشین
• 5. سطوح دسترسی مهاجم و دانش مهاجم
• 6. تفاوت حملات White-Box و Black-Box
• 7. آسیب‌پذیری‌های ذاتی مدل‌های یادگیری ماشین
• 8. داده‌های آموزشی به‌عنوان سطح حمله
• 9. دست‌کاری داده و Data Poisoning
• 10. مسموم‌سازی هدفمند داده‌های آموزشی
• 11. Backdoor و Trojan در مدل‌های یادگیری ماشین
• 12. حملات فرار و Evasion Attacks
• 13. نمونه‌های خصمانه و Adversarial Examples
• 14. مبانی بهینه‌سازی برای تولید نمونه‌های خصمانه
• 15. حملات مبتنی بر گرادیان
• 16. حمله FGSM و پیاده‌سازی آن
• 17. حمله Iterative FGSM و بهبود نمونه‌های خصمانه
• 18. حمله PGD و ارزیابی استحکام مدل
• 19. حملات Carlini-Wagner
• 20. حملات مبتنی بر بهینه‌سازی محدودشده
• 21. حملات انتقال‌پذیر و Transferability
• 22. حملات Black-Box مبتنی بر Query
• 23. حملات Decision-Based و Score-Based
• 24. حملات استخراج مدل و Model Extraction
• 25. حملات استنتاج عضویت و Membership Inference
• 26. حملات استنتاج ویژگی و Attribute Inference
• 27. نشت اطلاعات از مدل‌های یادگیری ماشین
• 28. حملات خصمانه در طبقه‌بندی
• 29. حملات خصمانه در رگرسیون
• 30. حملات خصمانه در تشخیص اشیا
• 31. حملات خصمانه در بینایی ماشین
• 32. حملات خصمانه در پردازش زبان طبیعی
• 33. حملات خصمانه در سیستم‌های گفتاری
• 34. حملات خصمانه علیه سیستم‌های چندوجهی
• 35. آسیب‌پذیری مدل‌های عمیق و شبکه‌های عصبی
• 36. حملات خصمانه علیه مدل‌های یادگیری عمیق
• 37. ارزیابی حساسیت مدل نسبت به اغتشاش ورودی
• 38. معیارهای اندازه‌گیری شدت حمله
• 39. معیارهای ارزیابی Robustness
• 40. موازنه دقت و مقاومت در برابر حمله
• 41. مبانی دفاع خصمانه
• 42. Adversarial Training و آموزش مقاوم
• 43. آموزش مقاوم با PGD
• 44. دفاع‌های مبتنی بر پیش‌پردازش داده
• 45. تشخیص نمونه‌های خصمانه
• 46. پاک‌سازی و پالایش داده‌های آلوده
• 47. Robust Optimization برای مدل‌های مقاوم
• 48. Regularization برای افزایش Robustness
• 49. تقطیر دانش برای دفاع در برابر حملات
• 50. دفاع‌های مبتنی بر Ensemble
• 51. محدودیت‌ها و شکست روش‌های دفاعی
• 52. ارزیابی جامع یک سیستم دفاعی
• 53. طراحی Pipeline امن برای یادگیری ماشین
• 54. امنیت مدل در مرحله آموزش
• 55. امنیت مدل در مرحله استقرار
• 56. پایش مداوم مدل در برابر حملات
• 57. تشخیص حملات در محیط عملیاتی
• 58. پاسخ‌گویی به رخدادهای امنیتی در سامانه‌های AI
• 59. امنیت مدل‌های شناختی و سیستم‌های تصمیم‌یار
• 60. تهدیدهای خصمانه در سیستم‌های هوشمند تعاملی
• 61. حملات علیه سیستم‌های توصیه‌گر هوشمند
• 62. امنیت سامانه‌های تشخیص و شناسایی
• 63. امنیت مدل‌های مورد استفاده در تصمیم‌گیری خودکار
• 64. امنیت و Robustness در سامانه‌های چندعامله
• 65. طراحی آزمایشگاه عملی یادگیری ماشین خصمانه
• 66. ساخت مجموعه‌داده برای ارزیابی حملات
• 67. پیاده‌سازی حملات خصمانه با Python
• 68. استفاده از چارچوب‌های ارزیابی Adversarial ML
• 69. طراحی سناریوی حمله و دفاع
• 70. مقایسه روش‌های حمله بر روی یک مدل پایه
• 71. مقایسه روش‌های دفاع بر روی یک مدل آسیب‌پذیر
• 72. تحلیل نتایج آزمایش‌های امنیتی
• 73. طراحی معیارهای ارزیابی امنیت مدل
• 74. تست Robustness پیش از استقرار
• 75. ملاحظات امنیتی در انتقال مدل به Production
• 76. طراحی معماری مقاوم در برابر حملات خصمانه
• 77. ترکیب امنیت داده و امنیت مدل
• 78. مدیریت ریسک در سامانه‌های AI
• 79. چالش‌های امنیتی مدل‌های شناختی در مقیاس بزرگ
• 80. پروژه نهایی ارزیابی و مقاوم‌سازی یک سامانه هوشمند