کتاب صوتی ابزارهای خودکار برای تست استحکام ML

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره ابزارهای خودکار برای تست استحکام ML

موضوع کلی: توسعه برنامه‌های وب پیشرفته

موضوع میانی: Machine learning model adversarial robustness testing

📋 سرفصل‌های دوره

• 1. آشنایی با مفاهیم پایه تست استحکام مدل‌های یادگیری ماشین
• 2. معماری سیستم‌های تست خودکار استحکام ML
• 3. انواع حملات خصمانه در یادگیری ماشین
• 4. تولید نمونه‌های خصمانه با گرادیان
• 5. تولید نمونه‌های خصمانه مبتنی بر بهینه‌سازی
• 6. تکنیک‌های دفاعی در برابر حملات خصمانه
• 7. تست استحکام مدل‌های طبقه‌بندی تصویر
• 8. تست استحکام مدل‌های تشخیص اشیا
• 9. تست استحکام مدل‌های پردازش زبان طبیعی
• 10. تست استحکام مدل‌های تشخیص صدا
• 11. ارزیابی کارایی روش‌های دفاعی
• 12. معرفی ابزارهای متن‌باز تست استحکام ML
• 13. استفاده از CleverHans برای تولید نمونه‌های خصمانه
• 14. استفاده از Foolbox برای ارزیابی استحکام مدل
• 15. استفاده از ART برای دفاع در برابر حملات خصمانه
• 16. پیاده‌سازی حملات خصمانه سفارشی
• 17. پیاده‌سازی روش‌های دفاعی سفارشی
• 18. آشنایی با معیارهای ارزیابی استحکام مدل
• 19. تأثیر پارامترهای حمله بر موفقیت آن
• 20. تأثیر معماری مدل بر استحکام آن
• 21. تأثیر مجموعه داده آموزشی بر استحکام مدل
• 22. تست استحکام مدل‌های یادگیری تقویتی
• 23. تست استحکام مدل‌های تولیدی
• 24. تست استحکام مدل‌های مبتنی بر گراف
• 25. تست استحکام مدل‌های سری زمانی
• 26. تست استحکام در برابر داده‌های مسموم
• 27. تست استحکام در برابر حملات استخراج مدل
• 28. تست استحکام مدل‌های فشرده شده
• 29. تست استحکام مدل‌های کوانتیزه شده
• 30. تست استحکام مدل‌های توزیع شده
• 31. تست استحکام مدل‌های یادگیری انتقالی
• 32. تست استحکام مدل‌های چندوجهی
• 33. تست استحکام مدل‌های مبتنی بر ترانسفورمر
• 34. تست استحکام مدل‌های مبتنی بر CNN
• 35. تست استحکام مدل‌های مبتنی بر RNN
• 36. استفاده از یادگیری ماشین برای بهبود تست استحکام
• 37. تکنیک‌های کاهش ابعاد برای تسریع تست استحکام
• 38. بهینه‌سازی فرایند تولید نمونه‌های خصمانه
• 39. تطبیق روش‌های دفاعی با انواع مختلف حملات
• 40. تست استحکام مدل‌های دارای محدودیت‌های محاسباتی
• 41. تست استحکام مدل‌های با داده‌های نامتوازن
• 42. تست استحکام مدل‌های با داده‌های گمشده
• 43. آشنایی با چالش‌های آینده در تست استحکام ML
• 44. تست استحکام مدل‌های یادگیری ماشین در محیط‌های واقعی
• 45. استفاده از تست استحکام برای بهبود قابلیت اعتماد مدل