اکسپرس 24
کتاب حملات استنتاج عضویت و دفاع از مدل‌های یادگیری ماشین در برابر افشای داده

کتاب حملات استنتاج عضویت و دفاع از مدل‌های یادگیری ماشین در برابر افشای داده

تگ‌ها: AI Privacy Differential Privacy Machine Learning Security Membership Inference Model Privacy Privacy-Preserving Machine Learning Shadow Model امنیت داده امنیت مدل‌های AI امنیت یادگیری ماشین حریم خصوصی داده حملات AI حملات استنتاج عضویت دفاع سایبری یادگیری ماشین امن

انتخاب پلن

افزودنی‌های اختیاری

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 62,488 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی

📚 محتوای این محصول آموزشی (پکیج کامل)

💡 این محصول یک نسخهٔ کامل و جامع است

تمامی محتوای آموزشی این کتاب در قالب یک بسته‌ی کامل و یکپارچه ارائه می‌شود و شامل تمام نسخه‌ها و فایل‌های موردنیاز برای یادگیری است.

🎁 محتویات کامل بسته دانلودی

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل کتاب‌ها، تمرین‌ها و خودآزمایی .

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود و نسخهٔ چاپی ندارد.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های کتاب همانجا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره حملات استنتاج عضویت و دفاع از مدل‌های یادگیری ماشین در برابر افشای داده

موضوع کلی: امنیت سایبری و حریم خصوصی داده

موضوع میانی: حملات استنتاجی و حفاظت از حریم خصوصی مدل‌های یادگیری ماشین

📋 سرفصل‌های دوره

  • 1. مفهوم حریم خصوصی در یادگیری ماشین
  • 2. مفهوم عضویت داده و حمله استنتاج عضویت
  • 3. چرایی اهمیت حملات Membership Inference
  • 4. مدل تهدید در حملات استنتاج عضویت
  • 5. دارایی‌های حساس و اطلاعات قابل افشا
  • 6. نقش مدل هدف در افشای اطلاعات آموزشی
  • 7. ویژگی‌های رفتاری مدل‌های یادگیری ماشین
  • 8. تفاوت حملات استنتاج عضویت با حملات استخراج داده
  • 9. تفاوت استنتاج عضویت با حملات Model Inversion
  • 10. مبانی آماری استنتاج عضویت
  • 11. نقش بیش‌برازش در آسیب‌پذیری مدل
  • 12. ارتباط Confidence Score با افشای عضویت
  • 13. تحلیل Loss و احتمال عضویت
  • 14. تحلیل Prediction و خروجی مدل
  • 15. استفاده از Shadow Model برای شبیه‌سازی مدل هدف
  • 16. طراحی مجموعه‌داده‌های Shadow
  • 17. آموزش مدل‌های Shadow
  • 18. ساخت داده‌های عضو و غیرعضو
  • 19. تشخیص الگوهای خروجی مدل هدف
  • 20. ساخت حمله مبتنی بر طبقه‌بندی
  • 21. انتخاب ویژگی‌های مناسب برای حمله
  • 22. آستانه‌گذاری برای تشخیص عضویت
  • 23. حملات مبتنی بر Confidence Threshold
  • 24. حملات مبتنی بر Loss Threshold
  • 25. حملات استنتاج عضویت با دسترسی Black-Box
  • 26. حملات استنتاج عضویت با دسترسی White-Box
  • 27. حملات مبتنی بر گرادیان و پارامترهای مدل
  • 28. استنتاج عضویت در مدل‌های طبقه‌بندی
  • 29. استنتاج عضویت در مدل‌های رگرسیون
  • 30. استنتاج عضویت در مدل‌های چندکلاسه
  • 31. استنتاج عضویت در مدل‌های یادگیری عمیق
  • 32. استنتاج عضویت در مدل‌های زبانی و مدل‌های مولد
  • 33. تأثیر معماری مدل بر آسیب‌پذیری
  • 34. تأثیر اندازه مجموعه‌داده آموزشی
  • 35. تأثیر کیفیت و توزیع داده‌ها
  • 36. تأثیر عدم توازن کلاس‌ها
  • 37. تأثیر بیش‌برازش و Underfitting
  • 38. تأثیر Regularization بر حریم خصوصی
  • 39. تأثیر Dropout بر استنتاج عضویت
  • 40. تأثیر Data Augmentation بر حملات
  • 41. تأثیر Early Stopping بر ریسک افشا
  • 42. ارزیابی شدت و دقت حمله
  • 43. معیارهای Precision و Recall در حملات
  • 44. معیارهای Accuracy و F1 برای ارزیابی حمله
  • 45. منحنی ROC و معیار AUC
  • 46. محاسبه نرخ True Positive و False Positive
  • 47. تحلیل Privacy Risk در سطح نمونه
  • 48. مقایسه مدل‌های آسیب‌پذیر و مقاوم
  • 49. طراحی آزمایش برای ارزیابی حملات
  • 50. ساخت خط مبنای امنیتی مدل
  • 51. دفاع با کاهش بیش‌برازش
  • 52. دفاع با Regularization
  • 53. دفاع با Dropout و Early Stopping
  • 54. دفاع با Data Augmentation
  • 55. دفاع با کاهش اطلاعات خروجی مدل
  • 56. دفاع با محدودسازی Confidence Score
  • 57. دفاع با Temperature Scaling
  • 58. دفاع با Differential Privacy
  • 59. آموزش خصوصی با Differentially Private SGD
  • 60. موازنه حریم خصوصی و دقت مدل
  • 61. ارزیابی مقاومت مدل پس از اعمال دفاع
  • 62. مقایسه روش‌های دفاعی از نظر هزینه و کارایی
  • 63. طراحی Pipeline ارزیابی End-to-End
  • 64. پیاده‌سازی حمله استنتاج عضویت در پایتون
  • 65. پیاده‌سازی Shadow Model با ابزارهای یادگیری ماشین
  • 66. ساخت یک چارچوب آزمایش حمله و دفاع
  • 67. تحلیل نتایج حمله و دفاع
  • 68. اشتباهات رایج در ارزیابی Membership Inference
  • 69. محدودیت‌های روش‌های حمله و دفاع
  • 70. طراحی مدل‌های یادگیری ماشین با رویکرد Privacy by Design
  • 71. ملاحظات حریم خصوصی در استقرار مدل‌های یادگیری ماشین

📚 محتوای این محصول آموزشی (پکیج کامل)

💡 این محصول یک نسخهٔ کامل و جامع است

تمامی محتوای آموزشی این کتاب در قالب یک بسته‌ی کامل و یکپارچه ارائه می‌شود و شامل تمام نسخه‌ها و فایل‌های موردنیاز برای یادگیری است.

🎁 محتویات کامل بسته دانلودی

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل کتاب‌ها، تمرین‌ها و خودآزمایی .

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود و نسخهٔ چاپی ندارد.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های کتاب همانجا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.