Adversarial Learning and Secure AI av David J. (Pennsylvania State University) Miller, Zhen (University of Illinois Urbana-Champaign) Xiang, George (P
Produktbeskrivelse
Denne boken, som er den første læreboken om motstridende læring, gir en logisk ramme for studenters læring. Den introduserer sårbarheter knyttet til dyp læring, og viser metoder for å forsvare seg mot angrep og gjøre kunstig intelligens generelt mer robust. For å hjelpe studenter med å knytte teori til praksis, forklarer og vurderer den scenarier for angrep og forsvar, ledsaget av eksempler fra den virkelige verden. Boken inneholder også praktiske studentprosjekter som øker i vanskelighetsgrad, og som gir studentene verdifull erfaring, samtidig som de forbedrer sine ferdigheter i Python og PyTorch. Hver kapittel avsluttes med spørsmål som kan brukes i klasseromsdiskusjoner. I tillegg til dype nevrale nettverk, vil studentene lære om logistisk regresjon, naïve Bayes-klassifikatorer og støttevektormaskiner. Boken er skrevet for seniorer på bachelorprogrammet og førsteårsstudenter på masterprogrammet, og gir et innblikk i forskningsmetoder og nåværende utfordringer. Online ressurser omfatter forelesningsnotater og bilde-filer for undervisere.
