Курс на Stepik
Обложка курса «Доверенный искусственный интеллект: экспертный уровень» на Stepik
Бесплатно

Доверенный искусственный интеллект: экспертный уровень 5.000

Открыть на
STEPIK.ORG

Курс затрагивает ключевые аспекты обеспечения безопасности моделей искусственного интеллекта. Рассмотрены практические методы объяснимости моделей, проводятся исследования устойчивости моделей к возмущениям. Анализируются механизмы атак на модели ИИ, изучаются методы выявления нетипичных данных. Курс содержит практические задания и проверочные вопросы. Курс для студентов, обучающихся по направлениям «Информатика и вычислительная техника», «Информационная безопасность» и другим смежным направлениям.

Показатель Текущие показатели Рост
Значение 🏆 Рейтинг 3 дн 7 дн 30 дн
Количество учеников на курсе «Доверенный искусственный интеллект: экспертный уровень»Учеников на курсе 454
Сертификаты, выданные на курсе «Доверенный искусственный интеллект: экспертный уровень»Сертификатов выдано 0
Отзывы о курсе «Доверенный искусственный интеллект: экспертный уровень»Отзывов получено 4
Рейтинг курса «Доверенный искусственный интеллект: экспертный уровень»Рейтинг курса 5.000
Уроки в курсе «Доверенный искусственный интеллект: экспертный уровень»Количество уроков 41
Тесты в курсе «Доверенный искусственный интеллект: экспертный уровень»Количество квизов 59
Время прохождения курса «Доверенный искусственный интеллект: экспертный уровень»Время прохождения курса
Обновления курса «Доверенный искусственный интеллект: экспертный уровень»Обновления курса
Дата публикации курса «Доверенный искусственный интеллект: экспертный уровень»Дата публикации курса
Последнее обновление курса «Доверенный искусственный интеллект: экспертный уровень»Последнее обновление
Сложность normal

Содержание курса

Разделы в курсе «Доверенный искусственный интеллект: экспертный уровень» 9 разделов Уроки в курсе «Доверенный искусственный интеллект: экспертный уровень» 41 урок Тесты в курсе «Доверенный искусственный интеллект: экспертный уровень» 59 тестов Время прохождения курса «Доверенный искусственный интеллект: экспертный уровень» 5 ч. Последнее обновление курса «Доверенный искусственный интеллект: экспертный уровень» обн. 15 июня 2026

Вводный модуль

2 урока
1. О курсе и от том, как на нём учиться
2. Глоссарий

Проблемы доверия искусственному интеллекту

2 урока
1. Понятие доверенного искусственного интеллекта
2. Принципы доверенного искусственного интеллекта

Объяснимость моделей ИИ и машинного обучения

7 уроков
1. Понятие объяснимости и прозрачности искусственного интеллекта
2. Объяснимость данных. Методы отбора признаков
3. Объяснимость на разных этапах жизненного цикла
4. Практикум: использование метода LIME для объяснения модели ИИ
5. Практикум: использование метода SHAP для объяснения модели ИИ
6. Практикум: использование SHAP для объяснения Sequential модели
7. Практикум: использование метода «Анализ важности переменных»

Робастность искусственного интеллекта

8 уроков
1. Понятие робастности
2. Методы оценки робастности
3. Метрики робастности
4. Типичный алгоритм для оценки робастности
5. Практикум: проверка робастности модели
6. Практикум: включение шума и возмущений для повышения робастности
7. Практикум: Исследование робастности модели при изменении размера
8. Практикум: Робастная регрессия для машинного обучения на Python

Компьютерные атаки на искусственный интеллект

7 уроков
1. Атаки на искусственный интеллект. Обзор реализованных атак
2. Классификация атак
3. Методы противодействия атакам
4. Практикум: Атака с использованием метода FGSM
5. Практикум: FGSM-атака на нейронную сеть
6. Практикум: Анализ уязвимости нейронной сети перед атаками
7. Практикум: Генерация состязательных примеров для CIFAR-10

Защита данных

2 урока
1. Дифференциальная конфиденциальность. Федеративное обучение
2. Гомоморфное шифрование. Синтетические данные. НПБК

Обнаружение аномалий

9 уроков
1. Понятие аномалии
2. Виды аномалий. Дрейф данных
3. Дрейф концепций
4. Защита данных от заражения. Методы распознавания аномалий
5. Практикум:Обнаружение аномалий временных рядов с помощью PyCaret
6. Практикум:Обнаружение аномалий в данных временных рядов с Keras
7. Практикум: Обнаружение аномалий в машинном обучении
8. Практикум: Поиск аномалий с Python
9. Практикум: Выявление потенциальных мошеннических операций

Заключительный модуль

3 урока
1. Итоговый тест
2. Заключение
3. Список литературы

Опрос слушателей курса

1 урок
1. Опрос слушателей курса