Maşın öyrənməsiSillabus

Fənn kodu

İFS-2219yn

Kredit

6

Tələbənin iş yükü

120

Semestr

Payız semestri

Akademik il

4

Fənnin tipi

Seçmə

Təhsil forması

Əyani

Tədris dili

Azərbaycan

Auditoriyadaxili saatlar

a) 30 saat - mühazirə b) 15 saat - seminar c) 15 saat - laboratoriya

Auditoriyadan kənar saatlar

a) 60 saat - TSİ b) 60 saat - MRTSİ

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.

• mühazirə
• laboratoriya işi
• təqdimatlar
• seminar
• problem-based learning
• interaktiv müzakirə

1. 1

   CLO 1: Maşın öyrənməsinin əsas konseptlərini, nəzarətli və nəzarətsiz öyrənmə alqoritmlərinin riyazi-məntiqi əsaslarını və müasir Sİ yanaşmalarını izah edir və müqayisə edir.

2. 2

   CLO 2: Verilənlərin təmizlənməsi, çatışmayan dəyərlərin bərpası və əlamət mühəndisliyi (feature engineering) üsullarını real məlumat dəstlərinə tətbiq edir.

3. 3

   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.

4. 4

   CLO 4: Qurulmuş maşın öyrənməsi modellərinin performansını müvafiq metrikalarla qiymətləndirir, həddindən artıq uyğunlaşma (overfitting) riskini idarə edir və hiperparametrləri optimallaşdırır.

5. 5

   CLO 5: Maşın öyrənməsi sistemlərinin tətbiqi zamanı ortaya çıkan etik prinsipləri, məfhumluq və sosial təsirləri qiymətləndirir və təhlükəsiz Sİ həlli təqdim edir.

1. 1.
   Maşın öyrənməsinə girişMühazirə

   Mövzu çərçivəsində maşın öyrənməsinin əsas anlayışları, məqsədləri və informasiya təhlükəsizliyində tətbiq sahələri öyrənilir. Zərərverici proqramların analizində istifadə olunan əsas üsullar və maşın öyrənməsi metodlarının bu prosesdə rolu nəzərdən keçirilir. Nəzarətli, nəzarətsiz və möhkəmləndirmə yolu ilə öyrənmə kimi əsas maşın öyrənməsi növləri, onların xüsusiyyətləri və zərərverici proqramların aşkarlanması və təsnifatında tətbiqi araşdırılır.

2. 2.
   Verilənlərin hazırlanması və əlamət mühəndisliyiMühazirə

   Mövzu çərçivəsində verilənlərin hazırlanmasının maşın öyrənməsi prosesində rolu və əsas mərhələləri öyrənilir. Loqlar, şəbəkə trafiki və hadisə qeydləri kimi təhlükəsizlik verilənlərinin əsas xüsusiyyətləri nəzərdən keçirilir. Verilənlərin təmizlənməsi, boş dəyərlərin emalı və duplikat qeydlərin silinməsi üsulları izah edilir. Həmçinin maşın öyrənməsi modelləri üçün uyğun əlamətlərin müəyyən edilməsi və əlamət seçimi (feature selection) metodlarının əsas prinsipləri araşdırılır.

3. 3.
   Xətti reqressiyaMühazirə

   Mövzu çərçivəsində xətti reqressiya anlayışı, əsas məqsədi və maşın öyrənməsində rolu öyrənilir. Asılı və müstəqil dəyişənlər arasındakı xətti əlaqənin modelləşdirilməsi, reqressiya modelinin qurulması və proqnozlaşdırma prinsipləri nəzərdən keçirilir. Həmçinin reqressiya təhlilinin əsas mərhələləri və model nəticələrinin şərh edilməsi araşdırılır.

4. 4.
   Qərar ağaclarıMühazirə

   Mövzu çərçivəsində qərar ağaclarının anlayışı, əsas iş prinsipləri və maşın öyrənməsində rolu öyrənilir. Qərar ağacının kök düyünü, daxili düyünlər, budaqlar və yarpaq düyünlərindən ibarət quruluşu nəzərdən keçirilir. Verilənlərin əlamətlər əsasında bölünməsi və uyğun bölünmə meyarlarının seçilməsi prinsipləri izah edilir. Həmçinin qərar ağaclarının informasiya təhlükəsizliyində hücumların, anomaliyaların və zərərli fəaliyyət nümunələrinin aşkarlanması və təsnifatında tətbiqi araşdırılır.

5. 5.
   Dəstək vektor maşınları (SVM)Mühazirə

   Mövzu çərçivəsində dəstək vektor maşınları (SVM) anlayışı, əsas məqsədi və təsnifat məsələlərində tətbiqi öyrənilir. Sinifləri bir-birindən ayıran optimal sərhədin müəyyən edilməsi və dəstək vektorlarının modelin qurulmasındakı rolu nəzərdən keçirilir. Xətti, polinomial və radial baza funksiyası (RBF) kimi əsas kernel funksiyalarına qısa giriş verilir. Həmçinin çoxsinifli təsnifat məsələlərinin həlli üçün one-vs-rest və one-vs-one yanaşmaları araşdırılır.

6. 6.
   KNN və nümunə əsaslı metodlarMühazirə

   Mövzu çərçivəsində K-ən yaxın qonşu (KNN) alqoritmi və nümunə əsaslı öyrənmənin (instance-based learning) əsas prinsipləri öyrənilir. KNN alqoritminin yeni verilənləri mövcud nümunələrlə oxşarlıq və məsafə əsasında qiymətləndirməsi, ən yaxın qonşuların müəyyən edilməsi və (K) parametrinin seçilməsi prinsipləri nəzərdən keçirilir. Həmçinin KNN alqoritminin təsnifat və reqressiya məsələlərində iş prinsipi və tətbiq xüsusiyyətləri araşdırılır.

   • • РОД 1: Объяснять основные характеристики периодов истории Азербайджана.
   • • РОД 4: Демонстрировать базовый уровень знаний по изучаемым темам и формулировать собственную аргументированную позицию по рассматриваемым вопросам.
   • • РОД 2: Анализировать и разъяснять отдельные дискуссионные вопросы истории Азербайджана.
   • • РОД 3: Формировать объективную и аргументированную позицию по отдельным вопросам истории Азербайджана.
   • • РОД 5: Применять навыки сопоставления и установления взаимосвязей между древней историей Азербайджана и современным периодом.
7. 7.
   Model qiymətləndirilməsi və optimallaşdırılmasıMühazirə

   Mövzu çərçivəsində maşın öyrənməsi modellərinin qiymətləndirilməsinin əhəmiyyəti və model performansının düzgün müəyyən edilməsi prinsipləri öyrənilir. Verilənlərin təlim və test (Train/Test) hissələrinə bölünməsi, eləcə də çarpaz yoxlama (Cross-Validation) anlayışı və əsas tətbiq prinsipləri nəzərdən keçirilir. Müxtəlif modellərin nəticələrinin qiymətləndirilməsi, müqayisəsi və konkret problem üçün uyğun modelin seçilməsi yanaşmaları araşdırılır.

8. 8.
   Klasterləşdirmə metodlarıMühazirə

   Mövzu çərçivəsində klasterləşdirmə anlayışı, əsas məqsədi və nəzarətsiz maşın öyrənməsində rolu öyrənilir. Verilənlərin oxşar xüsusiyyətlərinə görə qruplara bölünməsi prinsipləri və əsas klasterləşdirmə yanaşmaları nəzərdən keçirilir. K-means, iyerarxik klasterləşdirmə və sıxlığa əsaslanan klasterləşdirmə kimi əsas alqoritmlərin iş prinsipləri və tətbiq xüsusiyyətləri araşdırılır.

9. 9.
   Süni neyron şəbəkələriMühazirə

   Mövzu çərçivəsində süni neyron şəbəkələrinin anlayışı, əsas prinsipləri və maşın öyrənməsində rolu öyrənilir. Süni neyron, giriş və çıxış qatları, gizli qatlar, çəkilər və aktivasiya funksiyalarından ibarət şəbəkə strukturu nəzərdən keçirilir. Modelin verilənlərə həddindən artıq və ya kifayət qədər uyğunlaşmaması ilə əlaqəli overfitting və underfitting problemləri, eləcə də bu problemlərin azaldılması üçün əsas regularization üsulları araşdırılır.

10. 10.
    Dərin öyrənmə və CNNMühazirə

    Mövzu çərçivəsində dərin öyrənmə anlayışı, əsas prinsipləri və maşın öyrənməsində rolu öyrənilir. Dərin öyrənmə modellərinin ənənəvi neyron şəbəkələrindən fərqləri və mürəkkəb verilənlərdən xüsusiyyətlərin avtomatik öyrənilməsi kimi əsas üstünlükləri nəzərdən keçirilir. Konvolyusiya neyron şəbəkələrinin (CNN) strukturu, konvolyusiya, birləşdirmə (pooling) və tam əlaqəli qatların əsas funksiyaları və iş prinsipləri araşdırılır.

11. 11.
    Təbii dilin emalı (NLP)Mühazirə

    Mövzu çərçivəsində təbii dilin emalı (NLP) anlayışı, əsas məqsədi və tətbiq sahələri öyrənilir. Mətn verilənlərinin emala hazırlanması, tokenizasiya və mətnin sözlərə və digər vahidlərə bölünməsi üsulları nəzərdən keçirilir. Maşın öyrənməsi və dərin öyrənmə metodlarının mətnlərin təsnifatı, məna və məzmunun təhlili kimi NLP məsələlərində tətbiq prinsipləri araşdırılır.

12. 12.
    Generativ süni intellektMühazirə

    Mövzu çərçivəsində generativ süni intellekt anlayışı, əsas prinsipləri və maşın öyrənməsində rolu öyrənilir. Yeni mətn, təsvir və digər növ məzmunların yaradılmasına imkan verən generativ modellərin əsas xüsusiyyətləri nəzərdən keçirilir. Diskriminativ və generativ modellərin məqsədləri, iş prinsipləri və tətbiq xüsusiyyətləri müqayisə edilir.

13. 13.
    Süni intellekt agentləriMühazirə

    Mövzu çərçivəsində süni intellekt agentlərinin anlayışı, əsas prinsipləri və iş mexanizmləri öyrənilir. Agentlərin ətraf mühiti qavraması, əldə olunan məlumatları emal etməsi və müəyyən məqsədlərə çatmaq üçün müvafiq fəaliyyətlər həyata keçirməsi prinsipləri nəzərdən keçirilir. Sadə refleks, model əsaslı, məqsəd əsaslı, faydalılıq əsaslı və öyrənən agent kimi əsas agent tipləri araşdırılır. Həmçinin agentlərin fəaliyyətində qavrama (perception) və hərəkət (action) anlayışlarının rolu və qarşılıqlı əlaqəsi izah edilir.

14. 14.
    Etik məsələlər və sosial təsirlərMühazirə

    Mövzu çərçivəsində süni intellekt və maşın öyrənməsi texnologiyalarının kibertəhlükəsizlikdə tətbiqi ilə əlaqəli əsas etik məsələlər və sosial təsirlər öyrənilir. Kibertəhlükəsizlik fəaliyyətlərində etik prinsiplər, məlumatların məxfiliyi, fərdi məlumatların qorunması və istifadəçi hüquqları nəzərdən keçirilir. Süni intellekt sistemlərinin məlumat toplaması, emalı və qərarverməsi ilə bağlı etik risklər araşdırılır. Həmçinin süni intellekt və kibertəhlükəsizlik sahəsində tətbiq olunan əsas hüquqi çərçivələrin və qanunvericilik tələblərinin rolu izah edilir.

1. E.Sorhun, “Python ile makine öğrenmesi”. 2021.
2. N.İsmayılova, “Süni intellekt: Maşın öyrәnmә üsulları”. 2023.
3. Soma Halder, “Hands-On Machine Learning for Cybersecurity”. 2018
4. Aurélien Géron, “Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow”. 2019