Приватност, безбедност и доверба на системите за машинско учење

1.Наслов на наставниот предметПриватност, безбедност и доверба на системите за машинско учење
Privacy, Security and Trust in Machine Learning Systems
2.Кодm23_w_055
3.Студиска програма—
4.Организатор на студиската програма (единица, односно институт, катедра, оддел)Факултет за информатички науки и компјутерско инженерство
5.Степен (прв, втор, трет циклус)Втор циклус
6.Академска година / семестар9 / Зимски
7.Број на ЕКТС кредити6
8.Наставник
9.Предуслови за запишување на предметот—
10.Цели на предметната програма (компетенции)Целта на овој предмет е воведување на основните ризици кои се појавуваат со вклучување на машинско учење во софтверските системи, нападите кои може да се искористат да за се наруши нивниот интегритет, безбедност и авторитет. Покрај нападите, ќе бидат разгледани и стратегиите за заштита на системите од овие најчести напади. Вториот дел од курсот ќе ги обработи предизвиците кои постојат кај најголемиот број системи кои користат машинско учење, а тоа е како да се заштити приватноста на податоците кои се користат при нивно тренирање. Последниот дел од курсот ќе се насочи на тоа како да се зголеми довербата на системите за машинско учење преку преглед на техники за објаснување на нивните резултати.
11.Содржина на предметната програмаВовед во безбедносни димензии, концепти и методи. Безбедност од аспект на машинско учење. Закани кај решенија со машинско учење. Нападни кај машинско учење. Избор на соодветно решение за одбрана. Проблеми со доверба на резултатите кај машинско учење и можни решенија.
12.Методи на учењеПредавања поддржани со презентации преку слајдови, интерактивни предавања, вежби (користење на опрема и софтверски пакети), тимска работа, пример случаи, поканети гости предавачи, самостојна изработка и одбрана на проектна задача и семинарска работа, учење во електронско опкружување (форуми, консултации).
13.Вкупен расположив фонд на време6 ЕКТС x 30 часа = 180 часа
14.Распределба на расположивото време45 + 15 + 30 + 50 + 40 = 180 часа
15.Форми на наставните активности
15.1.Предавања - теоретска настава45 часови
15.2.Вежби (лабораториски, аудиториски), семинари, тимска работа15 часови
16.Други форми на активности
16.1.Проектни задачи50 часови
16.2.Самостојни задачи30 часови
16.3.Домашно учење40 часови
17.Начин на оценување
17.1.Тестови45 бодови
17.2.Семинарска работа / проект ( презентација: писмена и усна)50 бодови
17.3.Активности и учење10 бодови
17.4.Завршен испит0 бодови
18.Критериуми за оценување (бодови/ оценка)
до 50 бода5 (пет) (F)
од 51 до 60 бода6 (шест) (E)
од 61 до 70 бода7 (седум) (D)
од 71 до 80 бода8 (осум) (C)
од 81 до 90 бода9 (девет) (B)
од 91 до 100 бода10 (десет) (A)
19.Услов за потпис и полагање на завршен испитреализирани активности
20.Јазик на кој се изведува наставатамакедонски и англиски
21.Метод на следење на квалитетот на наставатамеханизам на интерна евалуација и анкети
22.Литература
22.1.Задолжителна литература
1. J. Morris Chang, Di Zhuang, G. Dumindu Samaraweera | Privacy-Preserving Machine Learning | Manning | 2023
2. Jin Li, Ping Li, Zheli Liu, Xiaofeng Chen, Tong Li | Privacy-Preserving Machine Learning | Springer | 2022
3. Yevgeniy Vorobeychik, Murat Kantarciogly | Adversarial Machine Learning | Springer | 2022
4. Anthony D. Joseph, Blaine Nelson, Benjamin I. P. Rubinstein, J. D. Tygar | Adversarial Machine Learning | Cambridge University Press | 2019
5. Tianqing Zhu, Gang Li, Wanlei Zhou, Philip S. Yu | Differential Privacy and Applications | Springer | 2017
6. Christoph Molnar | Interpretable Machine Learning | Leanpub | 2020
22.2.Дополнителна литература
Ред.бр. Автор Наслов Издавач Година