Õppeaine eesmärk on anda üliõpilastele tugev alus masinõppe (ML) põhimõtetest ja nende rakendamisest küberturbe valdkonnas. Aine käigus omandavad üliõpilased arusaama algoritmide kavandamisest, mudelite treenimisest ja hindamisest ning uurivad, kuidas masinõppemeetodeid, sealhulgas süvaõppe (DL) lähenemisviise, saab kasutada küberohtude tuvastamiseks, analüüsimiseks ja leevandamiseks. Õppeaine ühendab põhimõistete teoreetilise käsitluse praktiliste tegevustega, võimaldades üliõpilasel kriitiliselt hinnata ML- ja DL-lähenemiste tugevusi ja piiranguid turbekontekstis.

The aim of this course is to provide students with a solid foundation in machine learning (ML) principles and their applications in the field of cyber security. Students will gain an understanding of algorithm design, model training, and evaluation, while exploring how ML methods, including Deep Learning (DL) approaches, can be applied to detect, analyze, and mitigate cyber threats. The course combines theoretical knowledge of core concepts with practical activities, enabling students to critically evaluate the strengths and limitations of ML and DL approaches in security contexts.

Aine läbinud üliõpilane:
- selgitab masinõppe (ML) ja süvaõppe (DL) töövoogude põhimõisteid;
- tuvastab ML- ja DL-meetodite rakendamise tugevused ja nõrkused küberturbe väljakutsete lahendamisel;
- kujundab ja kasutab ML ja DL-meetodeid küberohtude analüüsimiseks ja leevendamiseks;
- rakendab uurimismetoodikaid ML-lahenduste kavandamiseks ja hindamiseks turbeprobleemide kontekstis;
- kavandab ML- ja DL-meetodeid rakendava uurimisprojekti konkreetse küberturbeprobleemi lahendamiseks ning põhjendab valitud metoodikat;
- esitab kavandatud uurimisprojekti metoodika ja tulemused korrektselt nii teadusartikli vormis kirjaliku tööna kui ka suulise ettekandena.

After completing this course the student:
- explains the fundamental concepts of the Machine Learning (ML) and Deep Learning (DL) workflows;
- identifies the strengths and weaknesses of applying ML and DL methods to address cyber security challenges;
- plans and applies ML and DL methods to analyze and mitigate cyber threats;
- employs research methodologies to design and evaluate ML solutions for security problems;
- designs a research project applying ML and DL methods to address a specific cybersecurity problem and justifies the selected methodology;
- presents the methodology and results of the proposed research project appropriately, both in written form as a scientific article and as an oral presentation.

See 6 EAP mahuga õppeaine koosneb 16 loengust, millest igaüks kestab 2 tundi. Kursus algab põhjaliku sissejuhatusega masinõppe kesksetesse mõistetesse, sealhulgas juhendatud ja juhendamata õppesse, süvaõppe alustesse ning mudelite jõudluse hindamise meetoditesse. Seejärel käsitletakse, kuidas neid meetodeid saab rakendada küberturbe probleemide lahendamisel, nagu sissetungide tuvastamine, pahavara klassifitseerimine, anomaaliate avastamine võrguliikluses, andmepüügi tuvastamine ja pettuste ennetamine.
Üliõpilased osalevad semestri vältel individuaalses projektis, mille raames rakendataakse masinõppetehnikaid reaalse küberturbealase väljakutse lahendamiseks. Ainel puuduvad eeltingimused, kuid varasem kokkupuude programmeerimise või andmeteaduse põhimõistetega on soovitatav.

This 6 ECTS course consists of 16 x 2-hour lectures. It begins with a comprehensive introduction to core machine learning concepts, including supervised and unsupervised learning, deep learning fundamentals, and performance evaluation techniques. The course then explores how these methods can be applied to cyber security problems such as intrusion detection, malware classification, anomaly detection in network traffic, phishing detection, and fraud prevention.
Students will participate in a semester-long individual project, applying machine learning techniques to a real-world cyber security challenge. The course has no prerequisites, but prior exposure to programming or data science concepts would be beneficial.

Üliõpilased sooritavad kaks praktilist kodutööd, mis keskenduvad ML- ja DL-mudelite rakendamisele küberturbe kontekstis. Lisaks töötavad nad pikaajalise projekti kallal, mis hõlmad järgmiseid komponente:
- kirjalik projektiettepanek, milles kirjeldatakse projekti ulatust, eesmärke ja uurimiskava;
- põhjalik lõpparuanne (uurimistöö), milles dokumenteeritakse tulemused, teostus ja analüüs;
- projekti suuline ettekanne, mille käigus tutvustatakse õppeaine projekti väljundeid ja peamisi järeldusi.

Students will complete two hands-on homework assignments focusing on the practical application of ML and DL models in cyber security. In addition, they will work on a long-term project, which includes:
- a written project proposal outlining the scope, objectives, and research design;
- a detailed final project report (research paper) documenting findings, implementation, and analysis;
- a project presentation to demonstrate outcomes and main findings to the class.

124 tundi iseseisvat tööd ja projekti ettevalmistamist

124 hours of independent research and project work

- Geron, Aurélien. Hands-On Machine Learning with Scikit-Learn and Pytorch: Concepts, Tools, and Techniques to Build Intelligent Systems. O’Reilly Media, 2025
- Chollet, François, & Watson, Matthew. Deep Learning with Python, Third Edition. Manning Publications, 2025
- Raschka, Sebastian, Liu, Yuxi, & Mirjalili, Vahid. Machine Learning with PyTorch and Scikit-Learn: Develop machine learning and deep learning models with Python. Packt Publishing, 2022

Alejandro Guerra Manzanares, doktorant-nooremteadur (IT - tarkvarateaduse instituut)

not specified