دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
دانلود کتاب Adversarial Machine Learning
دانلود کتاب یادگیری ماشین متخاصم
مشخصات کتاب
Adversarial Machine Learning
ویرایش: [1 ed.] نویسندگان: Anthony D. Joseph, Blaine Nelson, Benjamin I. P. Rubinstein, J. D. Tygar سری: ISBN (شابک) : 9781107338548 ناشر: Cambridge University Press سال نشر: 2019 تعداد صفحات: 338 [339] زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 6 Mb
قیمت کتاب (تومان) : 50,000
در صورت ایرانی بودن نویسنده امکان دانلود وجود ندارد و مبلغ عودت داده خواهد شد
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.
توضیحاتی در مورد کتاب یادگیری ماشین متخاصم
این مقدمه کامل که توسط محققان برجسته نوشته شده است، تمام تئوری ها و ابزارهای مورد نیاز برای ایجاد یادگیری ماشینی قوی در محیط های متخاصم را گرد هم می آورد. کشف کنید که چگونه سیستم‌های یادگیری ماشین می‌توانند زمانی که یک دشمن به طور فعال داده‌ها را برای دستکاری استنتاج آماری مسموم می‌کند، سازگار شوند، آخرین تکنیک‌های عملی برای بررسی امنیت سیستم و انجام تجزیه و تحلیل قوی داده‌ها را بیاموزید، و بینشی در مورد رویکردهای جدید برای طراحی اقدامات متقابل مؤثر در برابر آخرین موج سایبری کسب کنید. حملات مکانیسم‌های حفظ حریم خصوصی و فرار تقریباً بهینه طبقه‌بندی‌کننده‌ها به تفصیل مورد بحث قرار گرفته‌اند، و مطالعات موردی عمیق در مورد هرزنامه ایمیل و امنیت شبکه، حملات موفقیت‌آمیز به الگوریتم‌های یادگیری ماشین سنتی را برجسته می‌کند. با ارائه یک نمای کلی از وضعیت فعلی هنر در این زمینه، و جهت گیری های احتمالی آینده، مطالعه این اثر پیشگامانه برای محققان، پزشکان و دانشجویان در زمینه امنیت کامپیوتر و یادگیری ماشین ضروری است، و کسانی که مایل به یادگیری در مورد مرحله بعدی این آموزش هستند. مسابقه تسلیحاتی امنیت سایبری
توضیحاتی درمورد کتاب به خارجی
Written by leading researchers, this complete introduction brings together all the theory and tools needed for building robust machine learning in adversarial environments. Discover how machine learning systems can adapt when an adversary actively poisons data to manipulate statistical inference, learn the latest practical techniques for investigating system security and performing robust data analysis, and gain insight into new approaches for designing effective countermeasures against the latest wave of cyber-attacks. Privacy-preserving mechanisms and the near-optimal evasion of classifiers are discussed in detail, and in-depth case studies on email spam and network security highlight successful attacks on traditional machine learning algorithms. Providing a thorough overview of the current state of the art in the field, and possible future directions, this groundbreaking work is essential reading for researchers, practitioners and students in computer security and machine learning, and those wanting to learn about the next stage of the cybersecurity arms race.
