Применение ML в кибербезопасности

2026/2027

Статус: Маго-лего

Кто читает: Кафедра информационной безопасности киберфизических систем

Где читается: Московский институт электроники и математики им. А.Н. Тихонова

Охват аудитории: для своего кампуса

Язык: русский

Кредиты: 3

Контактные часы: 30

Дополнительные материалы в LMS Задать вопрос

Аннотация

Дисциплина направлена на изучение возможностей искусственного интеллекта в обеспечении эффективной защиты бизнес-систем в режиме реального времени.В рамках изучения дисциплины студенты узнают возможности актуальных алгоритмов машинного обучения и сферы их применения, научатся основным принципам и приемам работы с данными, познакомятся с системами анализа поведения пользователя, узнают основные концепции нейронных сетей, научатся применять инструменты современных программных платформ, использовать высокоуровневые программные средства, а также разрабатывать надежные модели машинного обучения.

Цель освоения дисциплины

Познакомить студентов с методами машинного обучения в задачах обеспечения кибербезопасности
Познакомить студентов с базовой профессиональной терминологией машинного обучения
Формирование у студентов навыка использования программных средств в решении задач машинного обучения в сфере кибербезопасности

Планируемые результаты обучения

Самостоятельно получает и углубляет знания и формирует представление о состоянии методов машинного обучения.
Демонстрирует применение на практике основных показателей описательной статистики.
Определяет возможности, методологию и концептуальные ограничения применения машинного обучения в кибербезопасности.
Анализирует и выбирает эффективные модели для прикладных задач.
Различает основные концепции и методы машинного обучения, применяемые при решении задач регрессии и классификации.
Распознает основные концепции алгоритма кластеризации k-means.
Определяет основные концепции нейронных сетей и методы их обучения.
Интерпретирует значения показателей мониторинга моделей машинного обучения.
Внедряет методы интерпретации моделей ML.
Использует высокоуровневые программные средства для тестирования устойчивости моделей машинного обучения.
Определяет основные подходы к оценке качества в задачах классификации и регрессии.
Определяет основные принципы ансамблирования моделей.
Определяет возможности актуальных алгоритмов машинного обучения, которые широко используются на практике, в основных сферах их применения.
Использует базовую и профессиональную терминологию в области анализа данных и машинного обучения.
Определяет основные принципы поиска, сбора, очистки, хранения, обработки, анализа и визуализации данных.
Использует методы поиска, сбора и хранения больших объемов данных.
Определяет как связана статистика и машинное обучение.
Определяет основные понятия математической статистики.
Определяет различия между описательной и логической статистикой.
Внедряет методы визуализации данных с использованием высокоуровневых библиотек.
Внедряет методы статистики для очистки, преобразования и анализа данных.
Владеет методологией решения задач машинного обучения с учетом требований информационной безопасности.
Понимает методы ансамблирования моделей машинного обучения.
Разбирается в правилах решения стандартных задач с использованием высокоуровневых программных средств машинного обучения.
Владеет методами классификации для решения практической задачи кибербезопасности.
Определяет инструменты современных программных платформ Data Science and Machine Learning для решения задач кластеризации.
Разбирается в правилах решения задач прогнозирования поведения временных рядов с использованием python.
Разбирается как строить и обучать многослойную нейронную сеть на основе персептронов.
Разбирается как строить и обучать глубокую сверточную сеть.
Понимает, как использовать инструменты современных программных платформ Data Science and Machine Learning для решения задач машинного обучения с помощью нейронных сетей.
Понимает, как использовать высокоуровневые программные средства для построения нейронных сетей.
Определяет понятие и назначение MLOPS.
Определяет как правильно построить цикл обучения и отправки модели в производственную среду.
Определяет основные показатели мониторинга моделей машинного обучения.
Понимает, как использовать инструменты современных программных платформ контейнеризации для упаковки и развертывания моделей.
Разбирается, как использовать высокоуровневые программные средства для построения конвейеров машинного обучения.
Определяет существующие методы состязательных атак.
Определяет существующие методы защиты от атак, их плюсы и минусы.
Разрабатывает модели ML, обладающие высокой степенью устойчивости к атакам.

Содержание учебной дисциплины

Тема 1. Введение в машинное обучение
Тема 2. Сбор, очистка и обработка данных
Тема 3. Применение статистики ML и визуализация данных
Тема 4. Машинное обучение в контексте кибербезопасности
Тема 5. Классические методы машинного обучения. Обучение с учителем
Тема 6. Классические методы машинного обучения. Обучение без учителя. Другие методы обучения
Тема 7. Основы нейронных сетей и глубокое обучение
Тема 8. Внедрение и развертывание моделей ML
Тема 9. Методы обеспечения безопасности ML

Элементы контроля

ДЗ с проверкой
Процедура сдачи домашнего задания 1. Студент выполняет все предлагаемые этапы задания (для каждого задания предусмотрены индивидуальные требования). 2. Студент прикрепляет ссылку на выполненное задание в LMS. По ссылке открывает доступ для комментирования. 3. Преподаватель даёт письменную обратную связь на выполненную работу.
Хакатон
Процедура прохождения хакатона 1. Студенты формируют команды. 2. Команды работают над заданием. 3. Команды проводят краткую (3-5 минут) презентацию результатов работы. 4. Преподаватель даёт обратную связь на выполненную работу.
Итоговое задание
Итоговый экзамен по дисциплине проводится в форме письменной сдачи итогового задания и последующей его защиты. Итоговое задание может включать в себя элементы всех тем курса. ● Студенты формируют рабочие команды. ● Команда выполняет все этапы итогового задания в соответствии с требованиями и поставленной задачей. ● Прикрепляет ссылку в LMS на выполненное задание и дополнительные файлы (при необходимости), доступ по ссылке открыт для комментирования. ● Готовит презентацию для защиты своего итогового задания. ● Преподаватель оценивает результаты работы и даёт обратную связь.

Промежуточная аттестация

2026/2027 1st module
0.1 * Хакатон + 0.5 * ДЗ с проверкой + 0.4 * Итоговое задание

Список литературы

Авторы

Евсютин Олег Олегович
Яганова Мадина Владимировна
Аксенова Ольга Вениаминовна

Программа дисциплины