Fənn haqqında
Kredit
6
İş yükü
120saat
Semestr
Payız
Tədris ili
4
Fənnin təsviri
Fənn tələbələrdə maşın öyrənməsinin nəzəri əsasları, əsas alqoritmləri və onların informasiya təhlükəsizliyi sahəsində tətbiqi üzrə bilik və praktiki bacarıqların formalaşdırılmasını nəzərdə tutur. Fənn çərçivəsində maşın öyrənməsinin əsas anlayışları, verilənlərin hazırlanması, ilkin emalı və əlamət mühəndisliyi üsulları öyrənilir. Xətti reqressiya, qərar ağacları, dəstək vektor maşınları (SVM), K-ən yaxın qonşu (KNN) və klasterləşdirmə kimi klassik maşın öyrənməsi alqoritmlərinin iş prinsipləri və tətbiq xüsusiyyətləri nəzərdən keçirilir. Bu metodların proqnozlaşdırma, anomaliyaların və hücumların aşkarlanması, zərərli fəaliyyət nümunələrinin müəyyən edilməsi və şəbəkə hücumlarının qruplaşdırılması kimi informasiya təhlükəsizliyi məsələlərində tətbiqi araşdırılır. Həmçinin süni neyron şəbəkələri, dərin öyrənmə və konvolyusiya neyron şəbəkələri əsasında zərərli proqramların və şəbəkə trafikinin təhlili, təbii dil emalı (NLP) üsulları vasitəsilə spam, fişinq və sosial mühəndislik hücumlarının aşkarlanması öyrənilir. Modelin qiymətləndirilməsi və optimallaşdırılması metodları, generativ süni intellektin yaratdığı təhlükəsizlik riskləri və imkanları, süni intellekt agentlərinin təhlükəsizlik sistemlərində istifadəsi, eləcə də süni intellekt texnologiyalarının etik və sosial aspektləri nəzərdən keçirilir. Fənn tələbələrdə maşın öyrənməsi alqoritmlərini konkret informasiya təhlükəsizliyi problemlərinə tətbiq etmək, modellərin nəticələrini qiymətləndirmək və təhlükəsizlik tələblərinə uyğun süni intellekt yanaşmalarını seçmək bacarıqlarının inkişaf etdirilməsinə yönəlmişdir.
Fənn təlim nəticələri
CLO 1: Maşın öyrənməsinin əsas konseptlərini, nəzarətli və nəzarətsiz öyrənmə alqoritmlərinin riyazi-məntiqi əsaslarını və müasir Sİ yanaşmalarını izah edir və müqayisə edir.
CLO 2: Verilənlərin təmizlənməsi, çatışmayan dəyərlərin bərpası və əlamət mühəndisliyi (feature engineering) üsullarını real məlumat dəstlərinə tətbiq edir.
CLO 3: Təbii dilin emalı (NLP), kompüter görməsi (CNN) və generativ Sİ sahələrində spesifik məsələlərin həlli üçün maşın öyrənməsi və dərin öyrənmə alqoritmlərini analiz edir və müvafiq modeli müəyyənləşdirir.
CLO 4: Qurulmuş maşın öyrənməsi modellərinin performansını müvafiq metrikalarla qiymətləndirir, həddindən artıq uyğunlaşma (overfitting) riskini idarə edir və hiperparametrləri optimallaşdırır.
CLO 5: Maşın öyrənməsi sistemlərinin tətbiqi zamanı ortaya çıkan etik prinsipləri, məfhumluq və sosial təsirləri qiymətləndirir və təhlükəsiz Sİ həlli təqdim edir.