Machine learning

Description

The subject provides students with the formation of knowledge and practical skills on the theoretical foundations of machine learning, basic algorithms and their application in the field of information security. within the subject, the basic concepts of machine learning, data preparation, pre-processing and feature engineering methods are studied. the working principles and application characteristics of classical machine learning algorithms such as linear regression, decision trees, support vector machines (svm), k-nearest neighbor (knn), and clustering are reviewed. the application of these methods to information security issues such as prediction, anomaly and attack detection, identification of malicious activity patterns, and clustering of network attacks is explored. also studying malware and network traffic analysis based on artificial neural networks, deep learning and convolutional neural networks, detection of spam, phishing and social engineering attacks using natural language processing (nlp) methods. model evaluation and optimization methods, security risks and opportunities created by generative artificial intelligence, the use of artificial intelligence agents in security systems, as well as ethical and social aspects of artificial intelligence technologies are reviewed. the subject is aimed at developing students' skills in applying machine learning algorithms to specific information security problems, evaluating the results of models and choosing artificial intelligence approaches in accordance with security requirements.

Course learning outcomes

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.