دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
دسته بندی: سایبرنتیک: هوش مصنوعی ویرایش: 1 نویسندگان: Yevgeniy Vorobeychik. Murat Kantarcioglu سری: Synthesis Lectures on Artificial Intelligence and Machine Learning ISBN (شابک) : 1681733951, 9781681733951 ناشر: Morgan & Claypool سال نشر: 2018 تعداد صفحات: 169 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 1 مگابایت
در صورت تبدیل فایل کتاب Adversarial Machine Learning به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.
توجه داشته باشید کتاب یادگیری ماشین متخاصم نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.
فراوانی روزافزون مجموعه دادههای بزرگ با کیفیت بالا، همراه با پیشرفتهای فنی قابلتوجه در چند دهه گذشته، یادگیری ماشینی را به یک ابزار اصلی تبدیل کرده است که در طیف گستردهای از وظایف از جمله بینایی، زبان، امور مالی و امنیت به کار میرود. با این حال، موفقیت با چالشهای مهم جدید همراه بوده است: بسیاری از کاربردهای یادگیری ماشین ماهیت خصمانه دارند. برخی از آنها متخاصم هستند زیرا ایمنی آنها بسیار مهم است، مانند رانندگی مستقل. یک حریف در این برنامهها میتواند یک طرف مخرب باشد که هدفش ایجاد ازدحام یا تصادف است، یا حتی ممکن است موقعیتهای غیرعادی را مدلسازی کند که آسیبپذیریهای موتور پیشبینی را آشکار میکند. سایر برنامهها به دلیل وظیفه و/یا دادههایی که استفاده میکنند، خصمانه هستند. به عنوان مثال، دسته مهمی از مشکلات در امنیت شامل شناسایی هستند، مانند بدافزار، هرزنامه، و تشخیص نفوذ. استفاده از یادگیری ماشین برای شناسایی موجودات مخرب انگیزه ای را در بین دشمنان ایجاد می کند تا با تغییر رفتار خود یا محتوای اشیاء مخربی که ایجاد می کنند از شناسایی فرار کنند. حوزه یادگیری ماشین خصمانه برای مطالعه آسیبپذیریهای رویکردهای یادگیری ماشین در تنظیمات متخاصم و توسعه تکنیکهایی برای قویتر کردن یادگیری در برابر دستکاری دشمنان پدید آمده است. این کتاب مروری فنی بر این زمینه ارائه می دهد. پس از بررسی مفاهیم و رویکردهای یادگیری ماشین، و همچنین موارد استفاده متداول از آنها در تنظیمات متخاصم، ما یک دسته بندی کلی از حملات به یادگیری ماشین را ارائه می دهیم. سپس به دو دسته اصلی از حملات و دفاعهای مرتبط میپردازیم: حملات زمان تصمیم، که در آن دشمن ماهیت نمونههایی را که توسط یک مدل آموختهشده در زمان پیشبینی مشاهده میشود، تغییر میدهد تا باعث ایجاد خطا شود، و حملات زهرآگین یا زمانی آموزش، در که مجموعه داده آموزشی واقعی به طور مخرب اصلاح شده است. در فصل پایانی خود که به محتوای فنی اختصاص دارد، تکنیکهای اخیر برای حملات به یادگیری عمیق و همچنین رویکردهایی برای بهبود استحکام شبکههای عصبی عمیق را مورد بحث قرار میدهیم. ما با بحث در مورد چندین موضوع مهم در زمینه یادگیری خصمانه نتیجه می گیریم که از نظر ما تحقیقات بیشتر را ایجاب می کند. با توجه به علاقه روزافزون به حوزه یادگیری ماشینی متخاصم، امیدواریم این کتاب ابزارهای لازم را برای مشارکت موفقیتآمیز در تحقیق و تمرین یادگیری ماشین در محیطهای متخاصم در اختیار خوانندگان قرار دهد.
The increasing abundance of large high-quality datasets, combined with significant technical advances over the last several decades have made machine learning into a major tool employed across a broad array of tasks including vision, language, finance, and security. However, success has been accompanied with important new challenges: many applications of machine learning are adversarial in nature. Some are adversarial because they are safety critical, such as autonomous driving. An adversary in these applications can be a malicious party aimed at causing congestion or accidents, or may even model unusual situations that expose vulnerabilities in the prediction engine. Other applications are adversarial because their task and/or the data they use are. For example, an important class of problems in security involves detection, such as malware, spam, and intrusion detection. The use of machine learning for detecting malicious entities creates an incentive among adversaries to evade detection by changing their behavior or the content of malicius objects they develop. The field of adversarial machine learning has emerged to study vulnerabilities of machine learning approaches in adversarial settings and to develop techniques to make learning robust to adversarial manipulation. This book provides a technical overview of this field. After reviewing machine learning concepts and approaches, as well as common use cases of these in adversarial settings, we present a general categorization of attacks on machine learning. We then address two major categories of attacks and associated defenses: decision-time attacks, in which an adversary changes the nature of instances seen by a learned model at the time of prediction in order to cause errors, and poisoning or training time attacks, in which the actual training dataset is maliciously modified. In our final chapter devoted to technical content, we discuss recent techniques for attacks on deep learning, as well as approaches for improving robustness of deep neural networks. We conclude with a discussion of several important issues in the area of adversarial learning that in our view warrant further research. Given the increasing interest in the area of adversarial machine learning, we hope this book provides readers with the tools necessary to successfully engage in research and practice of machine learning in adversarial settings.