فلش‌کارت‌های آموزشی مقاوم‌سازی هوش مصنوعی در برابر حملات مخرب

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مقاوم‌سازی هوش مصنوعی در برابر حملات مخرب

موضوع کلی: برنامه‌نویسی کامپیوترهای شخصی

موضوع میانی: AI Security

📋 سرفصل‌های دوره

• 1. فصل اول: مقدمه‌ای بر هوش مصنوعی و امنیت
• 2. فصل دوم: انواع حملات مخرب به هوش مصنوعی
• 3. فصل سوم: حملات تزریقی (Adversarial Attacks)
• 4. فصل چهارم: تکنیک‌های متدولوژی حملات تزریقی
• 5. فصل پنجم: حمله جعبه سیاه (Black-box Attacks)
• 6. فصل ششم: حمله جعبه سفید (White-box Attacks)
• 7. فصل هفتم: حمله جعبه خاکستری (Gray-box Attacks)
• 8. فصل هشتم: آسیب‌پذیری شبکه‌های عصبی کانولوشنال (CNNs)
• 9. فصل نهم: آسیب‌پذیری شبکه‌های عصبی بازگشتی (RNNs)
• 10. فصل دهم: آسیب‌پذیری مدل‌های زبانی بزرگ (LLMs)
• 11. فصل یازدهم: استخراج مدل (Model Extraction)
• 12. فصل دوازدهم: مسمومیت داده (Data Poisoning)
• 13. فصل سیزدهم: حمله به مرحله آموزش (Training Stage Attacks)
• 14. فصل چهاردهم: حمله به مرحله استنتاج (Inference Stage Attacks)
• 15. فصل پانزدهم: حمله به حریم خصوصی (Privacy Attacks)
• 16. فصل شانزدهم: حمله به تمامیت داده (Data Integrity Attacks)
• 17. فصل هفدهم: حمله به در دسترس بودن (Availability Attacks)
• 18. فصل هجدهم: روش‌های دفاعی عمومی در هوش مصنوعی
• 19. فصل نوزدهم: مقاومت در برابر حملات تزریقی
• 20. فصل بیستم: تکنیک‌های کاهش اثر حملات تزریقی
• 21. فصل بیست و یکم: آموزش مقاوم (Robust Training)
• 22. فصل بیست و دوم: آموزش مدافع (Defensive Training)
• 23. فصل بیست و سوم: تنظیمات نرمال‌سازی (Normalization Techniques)
• 24. فصل بیست و چهارم: فیلترینگ داده‌های مخرب
• 25. فصل بیست و پنجم: تشخیص حملات تزریقی
• 26. فصل بیست و ششم: روش‌های مبتنی بر تشخیص ناهنجاری
• 27. فصل بیست و هفتم: روش‌های مبتنی بر مقایسه خروجی
• 28. فصل بیست و هشتم: روش‌های مبتنی بر تحلیل گرادیان
• 29. فصل بیست و نهم: مقاومت در برابر مسمومیت داده
• 30. فصل سی ام: شناسایی داده‌های مسموم
• 31. فصل سی و یکم: پاکسازی داده‌های مسموم
• 32. فصل سی و دوم: مقاومت در برابر استخراج مدل
• 33. فصل سی و سوم: تکنیک‌های ضد استخراج
• 34. فصل سی و چهارم: مبهم‌سازی مدل (Model Obfuscation)
• 35. فصل سی و پنجم: محدود کردن دسترسی به مدل
• 36. فصل سی و ششم: مقاومت در برابر حملات به حریم خصوصی
• 37. فصل سی و هفتم: تکنیک‌های حفظ حریم خصوصی
• 38. فصل سی و هشتم: یادگیری فدرال (Federated Learning)
• 39. فصل سی و نهم: رمزنگاری همومورفیک (Homomorphic Encryption)
• 40. فصل چهلم: حریم خصوصی تفاضلی (Differential Privacy)
• 41. فصل چهل و یکم: مقاومت در برابر حملات به تمامیت داده
• 42. فصل چهل و دومم: امضای دیجیتال داده‌ها
• 43. فصل چهل و سوم: زنجیره بلوکی (Blockchain) در هوش مصنوعی
• 44. فصل چهل و چهارم: مقاومت در برابر حملات به در دسترس بودن
• 45. فصل چهل و پنجم: افزونگی (Redundancy) در سیستم‌های هوش مصنوعی
• 46. فصل چهل و ششم: تحمل پذیری خطا (Fault Tolerance)
• 47. فصل چهل و هفتم: ارزیابی ریسک امنیتی در هوش مصنوعی
• 48. فصل چهل و هشتم: چارچوب‌های ارزیابی ریسک
• 49. فصل چهل و نهم: پیاده‌سازی استراتژی‌های امنیتی
• 50. فصل پنجاهم: ملاحظات اخلاقی در امنیت هوش مصنوعی
• 51. فصل پنجاه و یکم: نقش انسان در مقاومت هوش مصنوعی
• 52. فصل پنجاه و دوم: تست نفوذ و ارزیابی امنیتی
• 53. فصل پنجاه و سوم: ابزارها و تکنیک‌های تست نفوذ
• 54. فصل پنجاه و چهارم: مطالعه موردی: حملات به خودروهای خودران
• 55. فصل پنجاه و پنجم: مطالعه موردی: حملات به سیستم‌های تشخیص تصویر
• 56. فصل پنجاه و ششم: مطالعه موردی: حملات به سیستم‌های پردازش زبان طبیعی
• 57. فصل پنجاه و هفتم: مطالعه موردی: حملات به سیستم‌های توصیه‌گر
• 58. فصل پنجاه و هشتم: حملات زنجیره‌ای (Chained Attacks)
• 59. فصل پنجاه و نهم: حملات ترکیبی (Hybrid Attacks)
• 60. فصل شصتم: آسیب‌پذیری در یادگیری تقویتی (Reinforcement Learning)
• 61. فصل شصت و یکم: حملات به عامل یادگیری تقویتی
• 62. فصل شصت و دوم: دفاع در برابر حملات به عامل یادگیری تقویتی
• 63. فصل شصت و سوم: حمله به مدل‌های تفسرپذیر (Interpretable Models)
• 64. فصل شصت و چهارم: تکنیک‌های حفظ تفسیرپذیری در برابر حملات
• 65. فصل شصت و پنجم: مسائل امنیتی در مدل‌های هوش مصنوعی توزیع شده
• 66. فصل شصت و ششم: حمله به سیستم‌های یادگیری فدرال
• 67. فصل شصت و هفتم: دفاع در برابر حملات به یادگیری فدرال
• 68. فصل شصت و هشتم: رمزنگاری کلید عمومی و خصوصی در هوش مصنوعی
• 69. فصل شصت و نهم: امضای دیجیتال و تأیید اعتبار در هوش مصنوعی
• 70. فصل هفتادم: مدیریت هویت و دسترسی در سیستم‌های هوش مصنوعی
• 71. فصل هفتاد و یکم: امنیت سایبری و هوش مصنوعی: هم‌افزایی
• 72. فصل هفتاد و دوم: تهدیدات هوش مصنوعی علیه امنیت سایبری
• 73. فصل هفتاد و سوم: دفاع سایبری با استفاده از هوش مصنوعی
• 74. فصل هفتاد و چهارم: مقاومت در برابر حملات توزیع شده انکار سرویس (DDoS)
• 75. فصل هفتاد و پنجم: استفاده از هوش مصنوعی برای شناسایی DDoS
• 76. فصل هفتاد و ششم: چالش‌های قانونی و نظارتی در امنیت هوش مصنوعی
• 77. فصل هفتاد و هفتم: استانداردها و چارچوب‌های امنیتی هوش مصنوعی
• 78. فصل هفتاد و هشتم: آینده مقاومت هوش مصنوعی
• 79. فصل هفتاد و نهم: هوش مصنوعی خود-مقاوم (Self-healing AI)
• 80. فصل هشتادم: یادگیری ماشین مدافع (Adversarial Machine Learning)
• 81. فصل هشتاد و یکم: تکنیک‌های پیشرفته آموزش مقاوم
• 82. فصل هشتاد و دوم: استفاده از شبکه‌های مولد متخاصم (GANs) برای دفاع
• 83. فصل هشتاد و سوم: حملات به سیستم‌های تشخیص چهره
• 84. فصل هشتاد و چهارم: مقاومت در برابر حملات به سیستم‌های تشخیص چهره
• 85. فصل هشتاد و پنجم: حملات به سیستم‌های تشخیص گفتار
• 86. فصل هشتاد و ششم: مقاومت در برابر حملات به سیستم‌های تشخیص گفتار
• 87. فصل هشتاد و هفتم: حملات به سیستم‌های پزشکی مبتنی بر هوش مصنوعی
• 88. فصل هشتاد و هشتم: ملاحظات امنیتی در هوش مصنوعی پزشکی
• 89. فصل هشتاد و نهم: حملات به سیستم‌های مالی مبتنی بر هوش مصنوعی
• 90. فصل نودم: ملاحظات امنیتی در هوش مصنوعی مالی
• 91. فصل نود و یکم: حملات به سیستم‌های نظارتی مبتنی بر هوش مصنوعی
• 92. فصل نود و دوم: ملاحظات امنیتی در هوش مصنوعی نظارتی
• 93. فصل نود و سوم: مسئولیت‌پذیری در برابر حملات هوش مصنوعی
• 94. فصل نود و چهارم: بیمه سایبری برای سیستم‌های هوش مصنوعی
• 95. فصل نود و پنجم: آموزش و آگاهی‌بخشی در مورد امنیت هوش مصنوعی
• 96. فصل نود و ششم: همکاری بین‌المللی در امنیت هوش مصنوعی
• 97. فصل نود و هفتم: چالش‌های حفظ امنیت در بلندمدت
• 98. فصل نود و هشتم: تحقیقات آتی در مقاومت هوش مصنوعی
• 99. فصل نود و نهم: ارزیابی مداوم و تطبیق‌پذیری
• 100. فصل صدم: ایجاد اکوسیستم امن برای هوش مصنوعی