Bu ileri seviye Machine Learning (ML) ve Artificial Intelligence (AI) sistemlerinin güvenliği üzerine odaklanmaktadır. Kritik altyapılar, finansal sistemler ve hassas veri işleme süreçlerinde kullanılan ML sistemleri, giderek artan şekilde siber saldırıların hedefi haline gelmektedir.
Eğitim, makine öğrenimine özgü güvenlik tehditlerini, saldırı vektörlerini, savunma stratejilerini ve threat modeling yöntemlerini kapsamlı bir şekilde ele alır. Katılımcılar, hem teorik bilgileri hem de gerçek dünya uygulamalarını öğrenerek güvenli ML sistemleri tasarlama, geliştirme ve koruma becerilerini kazanacaktır.
Hedef Kitle:
Veri bilimciler, makine öğrenimi mühendisleri ve yazılım geliştiriciler
Siber güvenlik uzmanları
AI/ML sistem entegratörleri
Güvenli yazılım geliştirme ekipleri
Kurumsal Avantajlar:
Kritik sistemlerin güvenliğini artırma
Veri sızıntısı risklerini en aza indirme
Yasal ve regülasyon gerekliliklerine uyum sağlama
Güvenilir ve sürdürülebilir AI çözümleri geliştirme
Ders İçerikleri
Modül 1 – Siber Güvenlik ve Makine Öğrenimi Temelleri
Siber güvenlik kavramları: Threat, risk ve vulnerability tanımları
Tehdit türleri ve sınıflandırma yöntemleri
Seven Kingdoms of Vulnerability ve Common Weakness Enumeration (CWE)
ML sistemlerini değerli hedef yapan faktörler
Kasıtsız AI hataları ve potansiyel etkileri
Gerçek dünya kötüye kullanım örnekleri
Modül 2 – Makine Öğrenimi Threat Modeling ve Saldırı Vektörleri
ML için threat model oluşturma adımları
ML varlıkları ve güvenlik gereksinimleri
Saldırı yüzeyi analizi ve attacker model
Confidentiality, integrity ve availability tehditleri
Adversarial attacks ve kategorileri
Data poisoning saldırıları
Evasion attacks ve kullanılan algoritmalar
Model extraction ve model inversion saldırıları
Modül 3 – Savunma Stratejileri ve Güvenli Geliştirme
Adversarial examples karşı savunma teknikleri
Adversarial training ve defensive distillation
Gradient masking ve feature squeezing yöntemleri
ML’de Denial of Service (DoS) saldırıları ve karşı önlemler
Input validation prensipleri ve veri temizleme teknikleri
Injection saldırılarından korunma yöntemleri
Tamsayı işleme sorunları ve güvenli kodlama
Güvenli veri giriş doğrulama pratikleri
Modül 4 – Siber Güvenlikte Makine Öğrenimi Uygulamaları
Static code analysis’te ML teknikleri
Fuzz testing’de ML kullanımı
Anomaly detection ve network security’de AI çözümleri
Güvenlikte ML’in limitleri ve zorlukları
AI/ML’in kötüye kullanım senaryoları
Social engineering ve medya manipülasyonu örnekleri
Malware otomasyonu ve uç nokta güvenliğini aşma teknikleri
Modül 5 – Gizlilik, Kriptografi ve ML Tedarik Zinciri Güvenliği
ML’de privacy-preserving teknikler
Homomorphic encryption uygulamaları
Differential privacy ve secure multi-party computation
ML tedarik zincirinde riskler ve koruma yöntemleri
Yaygın ML mimarileri ve saldırı yüzeyleri
ML framework’lerinde görülen güvenlik sorunları
Güvenlik test metodolojileri ve araç setleri
Güvenli kodlama prensipleri ve best practices
Ön Koşullar
Temel ML ve AI kavram bilgisi
Temel programlama becerileri (Python tercih edilir)
Temel siber güvenlik bilgisi
Veri bilimi veya bilgisayar bilimi temel düzeyde bilgi