Karta Przedmiotu
| Politechnika Białostocka | Wydział Informatyki | ||||||||||||||||||||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| Kierunek studiów | Cyberbezpieczeństwo |
Poziom i forma studiów |
pierwszego stopnia stacjonarne |
||||||||||||||||||||||||
| Grupa przedmiotów / specjalność |
Sztuczna inteligencja | Profil kształcenia | ogólnoakademicki | ||||||||||||||||||||||||
| Nazwa przedmiotu | Dane i metody AI w cyberbezpieczeństwie | Kod przedmiotu | CYB1SIN1 | ||||||||||||||||||||||||
| Rodzaj zajęć | obieralny | ||||||||||||||||||||||||||
| Formy zajęć i liczba godzin | W | Ć | L | P | Ps | T | S | Semestr | 5,6 | ||||||||||||||||||
| 26 | 26 | Punkty ECTS | 4 | ||||||||||||||||||||||||
| Program obowiązuje od | 2026/2027 | ||||||||||||||||||||||||||
| Przedmioty wprowadzające | Metody i narzędzia AI (CYB1MAI), Podstawy programowania (CYB1PPR), Statystyka matematyczna (CYB1STM), | ||||||||||||||||||||||||||
| Cele przedmiotu |
Zapoznanie ze specyfiką danych wykorzystywanych w cyberbezpieczeństwie oraz metodami ich analizy z użyciem technik sztucznej inteligencji. Wykształcenie umiejętności przygotowania i reprezentacji danych, doboru podstawowych metod analitycznych oraz oceny jakości uzyskiwanych wyników. Ukształtowanie rozumienia zależności między jakością danych, sposobem ich przetwarzania a skutecznością modeli wykorzystywanych w detekcji zagrożeń. Rozwinięcie zdolności krytycznej oceny wyników działania metod AI, w szczególności w kontekście błędów klasyfikacji i ich konsekwencji w systemach bezpieczeństwa. Odniesienia do frameworka edukacyjnego mikrokompetencji SFIA: Analiza danych DTAN - poziom 3 Programowanie / rozwój oprogramowania PROG - poziom 3 Uczenie maszynowe / sztuczna inteligencja (zastosowania) AIML - poziom 3 Administracja bezpieczeństwem informacji SCTY - poziom 2 |
||||||||||||||||||||||||||
| Ramowe treści programowe |
Zagadnienia związane z pozyskiwaniem, przetwarzaniem i analizą danych w cyberbezpieczeństwie z wykorzystaniem wybranych metod sztucznej inteligencji. Typy i źródła danych bezpieczeństwa (logi systemowe, ruch sieciowy, dane zdarzeń), sposoby ich reprezentacji oraz przygotowania do analizy, w tym zagadnienia selekcji i konstrukcji cech. Podstawowe podejścia do analizy danych, takie jak klasyfikacja oraz wykrywanie anomalii, wraz z metodami oceny jakości modeli i interpretacji wyników. Ograniczenia i podatności stosowania metod AI w cyberbezpieczeństwie, w tym problem niezrównoważonych danych, zmienności środowiska oraz ryzyka błędnych decyzji wynikających z działania modeli. |
||||||||||||||||||||||||||
| Inne informacje o przedmiocie | przedmiot ma związek z prowadzoną na Uczelni działalnością naukową | ||||||||||||||||||||||||||
| przedmiot kształtuje umiejętności praktyczne | |||||||||||||||||||||||||||
| Wyliczenie: | Nakład pracy studenta związany z: | Godzin ogółem |
W tym kontaktowych |
W tym praktycznych |
|||||||||||||||||||||||
| udziałem w wykładach | 26 | 26 | |||||||||||||||||||||||||
| udziałem w innych formach zajęć | 26 | 26 | 26 | ||||||||||||||||||||||||
| przygotowaniem do bieżących zajęć o charakterze praktycznym | 13 | 13 | |||||||||||||||||||||||||
| realizacją zadań praktycznych | 20 | 20 | |||||||||||||||||||||||||
| przygotowaniem do zaliczenia wykładu | 15 | ||||||||||||||||||||||||||
| Razem godzin: | 100 | 52 | 59 | ||||||||||||||||||||||||
| Razem punktów ECTS: | 4 | 2.1 | 2.4 | ||||||||||||||||||||||||
| Zakładane kierunkowe efekty uczenia się | Wiedza | Umiejętności | Kompetencje społeczne |
||||||||||||||||||||||||
| CYB1_W01 | CYB1_U01 | CYB1_K01 | |||||||||||||||||||||||||
| CYB1_W06 | CYB1_U07 | CYB1_K03 | |||||||||||||||||||||||||
| CYB1_W14 | CYB1_U12 | ||||||||||||||||||||||||||
| CYB1_U13 | |||||||||||||||||||||||||||
| Cele i treści ramowe sformułował(a) | dr inż. Anna Łupińska-Dubicka | Data: | 09/04/2026 | ||||||||||||||||||||||||
| Realizacja w roku akademickim | 2028/2029 | ||||||||||||||||||||||||||
| Treści programowe | |||||||||||||||||||||||||||
| Wykład | |||||||||||||||||||||||||||
| 1. | Wprowadzenie do danych w cyberbezpieczeństwie i ich charakterystyki | ||||||||||||||||||||||||||
| 2. | Reprezentacja danych oraz dobór cech (feature engineering) | ||||||||||||||||||||||||||
| 3. | Przygotowanie i przetwarzanie danych | ||||||||||||||||||||||||||
| 4. | Podstawy uczenia maszynowego w zastosowaniach cyberbezpieczeństwa | ||||||||||||||||||||||||||
| 5. | Modele klasyfikacyjne w detekcji zagrożeń | ||||||||||||||||||||||||||
| 6. | Metody wykrywania anomalii | ||||||||||||||||||||||||||
| 7. | Metody oceny jakości modeli | ||||||||||||||||||||||||||
| 8. | Problem niezrównoważonych danych | ||||||||||||||||||||||||||
| 9. | Zjawisko przeuczenia (overfitting) i zdolność generalizacji modeli | ||||||||||||||||||||||||||
| 10. | Zmienność danych i zagrożeń (concept drift) | ||||||||||||||||||||||||||
| 11. | Interpretowalność modeli i zaufanie do ich wyników | ||||||||||||||||||||||||||
| 12. | Ograniczenia oraz podatności modeli AI | ||||||||||||||||||||||||||
| 13. | Zaliczenie wykładu | ||||||||||||||||||||||||||
| Pracownia specjalistyczna | |||||||||||||||||||||||||||
| 1. | Wprowadzenie do projektu i charakterystyka danych w cyberbezpieczeństwie | ||||||||||||||||||||||||||
| 2. | Wstępna analiza danych oraz identyfikacja problemów | ||||||||||||||||||||||||||
| 3. | Przygotowanie i oczyszczanie danych | ||||||||||||||||||||||||||
| 4. | Reprezentacja danych i dobór cech | ||||||||||||||||||||||||||
| 5. | Budowa i uruchomienie prostego modelu (model bazowy) | ||||||||||||||||||||||||||
| 6. | Wykrywanie anomalii w danych | ||||||||||||||||||||||||||
| 7. | Ocena jakości działania modeli | ||||||||||||||||||||||||||
| 8. | Analiza problemu niezrównoważonych danych | ||||||||||||||||||||||||||
| 9. | Analiza overfittingu i zdolności generalizacji | ||||||||||||||||||||||||||
| 10. | Analiza wpływu zmienności danych (concept drift) | ||||||||||||||||||||||||||
| 11. | Interpretacja działania modeli i ich decyzji | ||||||||||||||||||||||||||
| 12. | Opracowanie i weryfikacja wyników projektu | ||||||||||||||||||||||||||
| 13. | Prezentacje i ocena projektów, wystawienie ocen | ||||||||||||||||||||||||||
| Metody dydaktyczne (realizacja stacjonarna) |
|||||||||||||||||||||||||||
| W | wykład z prezentacją multimedialną | ||||||||||||||||||||||||||
| Ps | programowanie z użyciem komputera | ||||||||||||||||||||||||||
| Metody dydaktyczne (realizacja zdalna) |
|||||||||||||||||||||||||||
| W | wykład z prezentacją multimedialną | ||||||||||||||||||||||||||
| - | |||||||||||||||||||||||||||
| Forma zaliczenia | |||||||||||||||||||||||||||
| W | zaliczenie pisemne | ||||||||||||||||||||||||||
| Ps | ocena sprawozdań z wykonanych zadań oraz ocena projektu | ||||||||||||||||||||||||||
| Warunki zaliczenia | |||||||||||||||||||||||||||
| W | Uzyskanie min. 30% punktów z każdego efektu uczenia się z zakresu wiedzy, a po spełnieniu tego warunku ostateczna ocena wynika z sumy uzyskanych punktów. Kryteria oceny: [ 0 – 50]% punktów – 2.0 (50 – 60]% punktów – 3.0 (60 – 70]% punktów – 3.5 (70 – 80]% punktów – 4.0 (80 – 90]% punktów – 4.5 (90 – 100]% punktów – 5.0 |
||||||||||||||||||||||||||
| Ps | Minimalne wymagania odnośnie efektów uczenia się: E3 - przygotowanie prostego zbioru danych do analizy (wczytanie, podstawowe przetwarzanie) oraz uruchomienie przykładu metody AI i odczytanie jej wyników E4 - odczytanie podstawowych wyników działania metody AI, wskazanie możliwości występowania błędów oraz podanie prostych konsekwencji tych błędów w kontekście cyberbezpieczeństwa E5 - realizacja projektu na min. 50% punktów Zaliczenie całości po spełnieniu powyższych warunków oraz zsumowaniu uzyskanych punktów. Kryteria oceny: [ 0 – 50]% punktów – 2.0 (50 – 60]% punktów – 3.0 (60 – 70]% punktów – 3.5 (70 – 80]% punktów – 4.0 (80 – 90]% punktów – 4.5 (90 – 100]% punktów – 5.0 |
||||||||||||||||||||||||||
| Symbol efektu | Zakładane efekty uczenia się | Odniesienie do efektów uczenia się zdefiniowanych dla kierunku studiów | |||||||||||||||||||||||||
| Wiedza | Umiejętności | Kompetencje społeczne |
|||||||||||||||||||||||||
| Wiedza: student zna i rozumie | |||||||||||||||||||||||||||
| E1 | typy danych wykorzystywanych w cyberbezpieczeństwie oraz metody ich przygotowania i reprezentacji na potrzeby analizy z użyciem sztucznej inteligencji | ||||||||||||||||||||||||||
| E2 | podejścia do analizy danych z wykorzystaniem AI, w tym klasyfikację i wykrywanie anomalii, oraz rozumie ich ograniczenia i uwarunkowania praktyczne | ||||||||||||||||||||||||||
| Umiejętności: student potrafi | |||||||||||||||||||||||||||
| E3 | przygotować dane bezpieczeństwa do analizy oraz zastosować wybrane metody AI do ich przetwarzania i interpretacji wyników | ||||||||||||||||||||||||||
| E4 | ocenić jakość działania metod AI w kontekście cyberbezpieczeństwa, identyfikując błędy oraz ich potencjalne konsekwencje | ||||||||||||||||||||||||||
| Kompetencje społeczne: student jest gotów do | |||||||||||||||||||||||||||
| E5 | krytycznej oceny wyników analizy danych z wykorzystaniem AI oraz rozumie potrzebę ostrożnego interpretowania wyników w kontekście bezpieczeństwa systemów | ||||||||||||||||||||||||||
| Symbol efektu | Sposób weryfikacji efektu uczenia się | Forma zajęć na której zachodzi weryfikacja | |||||||||||||||||||||||||
| E1 | zaliczenie pisemne | W | |||||||||||||||||||||||||
| E2 | zaliczenie pisemne | W | |||||||||||||||||||||||||
| E3 | ocena sprawozdań z wykonanych zadań, ocena projektu | Ps | |||||||||||||||||||||||||
| E4 | ocena sprawozdań z wykonanych zadań, ocena projektu | Ps | |||||||||||||||||||||||||
| E5 | ocena sprawozdań z wykonanych zadań, ocena projektu | Ps | |||||||||||||||||||||||||
| Literatura podstawowa | |||||||||||||||||||||||||||
| 1. | A. Géron, Uczenie maszynowe z użyciem Scikit-Learn, Keras i TensorFlow, Helion, Gliwice, 2023 | ||||||||||||||||||||||||||
| 2. | https://scikit-learn.org/ | ||||||||||||||||||||||||||
| 3. | K. Liderman, Bezpieczeństwo informacyjne. Nowe wyzwania, Wydawnictwo Naukowe PWN, Warszawa, 2017 | ||||||||||||||||||||||||||
| 4. | H. de Ponteves, Sztuczna inteligencja. Błyskawiczne wprowadzenie do uczenia maszynowego, uczenia ze wzmocnieniem i uczenia głębokiego, Helion, Gliwice, 2021 | ||||||||||||||||||||||||||
| 5. | R. Schutt, C. O'Neil, Badanie danych. Raport z pierwszej linii działań: [unikalne wprowadzenie do nauki o danych!], Helion, Gliwice, 2015 | ||||||||||||||||||||||||||
| Literatura uzupełniająca | |||||||||||||||||||||||||||
| 1. | W. McKinney, Python w analizie danych. Przetwarzanie danych za pomocą pakietów pandas i NumPy oraz środowiska Jupyter, Helion, Gliwice, 2023 | ||||||||||||||||||||||||||
| 2. | M. Khalil, Sztuka analizy danych. Twarde i miękkie umiejętności w czasach sztucznej inteligencji, Helion, Gliwice, 2026 | ||||||||||||||||||||||||||
| 3. | C. O'Neil, Broń matematycznej zagłady : jak algorytmy zwiększają nierówności i zagrażają demokracji, Helion, Gliwice, 2017 | ||||||||||||||||||||||||||
| Koordynator przedmiotu: | dr inż. Anna Łupińska-Dubicka | Data: | 09/04/2026 | ||||||||||||||||||||||||