کتاب صوتی آزمون‌های نفوذپذیری مدل‌های یادگیری ماشین

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره آزمون‌های نفوذپذیری مدل‌های یادگیری ماشین

موضوع کلی: توسعه برنامه‌های وب پیشرفته

موضوع میانی: Machine learning model adversarial robustness testing

📋 سرفصل‌های دوره

• 1. آزمون‌های نفوذپذیری: مقدمه‌ای و مفاهیم پایه
• 2. مدل‌های یادگیری ماشین: مروری بر انواع و کاربردها
• 3. تهدیدات امنیتی در یادگیری ماشین: دسته‌بندی و بررسی
• 4. حملات خصمانه: اصول و روش‌های کلی
• 5. حملات مسمومیت داده: انواع و تأثیرات
• 6. حملات استخراج مدل: روش‌ها و مقابله
• 7. حملات فرار از تشخیص: تکنیک‌ها و راهکارها
• 8. آزمون‌های نفوذپذیری در شبکه‌های عصبی عمیق
• 9. حملات مبتنی بر گرادیان: FGSM و PGD
• 10. حملات مبتنی بر بهینه‌سازی: C&W و DeepFool
• 11. دفاع در برابر حملات خصمانه: روش‌های کلی
• 12. تکنیک‌های آموزش خصمانه: Adversarial Training
• 13. تقطیر دانش: Distillation برای افزایش استحکام
• 14. حذف ویژگی‌ها: Feature Squeezing برای کاهش آسیب‌پذیری
• 15. آزمایش و ارزیابی مدل‌های یادگیری ماشین
• 16. معیارهای ارزیابی استحکام مدل
• 17. ابزارهای متن‌باز برای آزمون‌های نفوذپذیری
• 18. TensorFlow Adversarial Robustness Toolbox (ART)
• 19. CleverHans: کتابخانه‌ای برای حملات و دفاع
• 20. حملات نفوذپذیری در سیستم‌های تشخیص تصویر
• 21. حملات نفوذپذیری در پردازش زبان طبیعی (NLP)
• 22. حملات نفوذپذیری در سیستم‌های توصیه‌گر
• 23. حملات نفوذپذیری در داده‌های سری زمانی
• 24. آزمون‌های نفوذپذیری در یادگیری تقویتی
• 25. حملات نفوذپذیری در شبکه‌های مولد تخاصمی (GAN)
• 26. دفاع در برابر حملات در سیستم‌های GAN
• 27. حملات مبتنی بر حریم خصوصی در یادگیری ماشین
• 28. حملات استنباط عضویت: Membership Inference Attacks
• 29. حملات بازسازی داده: Data Reconstruction Attacks
• 30. حریم خصوصی تفاضلی: Differential Privacy در یادگیری ماشین
• 31. آزمون‌های نفوذپذیری در یادگیری فدرال
• 32. حملات نفوذپذیری در یادگیری فدرال: چالش‌ها و راهکارها
• 33. تأثیر حملات نفوذپذیری بر تصمیم‌گیری خودکار
• 34. حملات نفوذپذیری و امنیت خودروهای خودران
• 35. حملات نفوذپذیری و امنیت سیستم‌های مالی
• 36. حملات نفوذپذیری و امنیت سیستم‌های مراقبت‌های بهداشتی
• 37. تکنیک‌های پنهان‌سازی: Obfuscation برای افزایش امنیت
• 38. تنوع مدل: Ensemble Methods برای کاهش آسیب‌پذیری
• 39. آزمون‌های نفوذپذیری و توسعه مدل‌های یادگیری ماشین ایمن
• 40. مطالعه موردی: حملات و دفاع در یک سیستم تشخیص تصویر
• 41. مطالعه موردی: حملات و دفاع در یک سیستم پردازش زبان طبیعی
• 42. آینده آزمون‌های نفوذپذیری مدل‌های یادگیری ماشین
• 43. چالش‌ها و فرصت‌های پیش رو در امنیت یادگیری ماشین
• 44. مقررات و استانداردهای مربوط به امنیت یادگیری ماشین