INF.08687.01 - Maschinelles Lernen und IT-Sicherheit (Vollständige Modulbeschreibung)

INF.08687.01	5 CP
Modulbezeichnung	Maschinelles Lernen und IT-Sicherheit
Modulcode	INF.08687.01
Semester der erstmaligen Durchführung
Fachbereich/Institut	Institut für Informatik
Verwendet in Studiengängen / Semestern	Bioinformatik (MA120 LP) (Master) > Bioinformatik BioinformatikMA120, Akkreditierungsfassung gültig ab SoSe 2023 > Technische Informatik und IT-Sicherheit (Anteil gem. § 5 Abs. 4-6, Anlage 2) Informatik (MA120 LP) (Master) > Informatik InformatikMA120, Akkreditierungsfassung gültig ab SoSe 2023 > Vertiefende Module der Vertiefungsrichtung `Technische Informatik und IT-Sicherheit`
Modulverantwortliche/r
Weitere verantwortliche Personen	Dr. Sandro Wefel
Teilnahmevoraussetzungen
Kompetenzziele	Studierende sollen durch dieses Modul folgende Kompetenzen erwerben: Sie verstehen die Auswirkungen von Methoden der künstlichen Intelligenz (KI) auf die Informationssicherheit. Sie kennen verschiedene Methoden des Maschinellen Lernens (ML) und können diese als Werkzeuge für die Erreichung von Sicherheitszielen gezielt einsetzen (Authentizität, Integrität und Verbindlichkeit). Sie haben Kenntnisse über die praktische Anwendung von KI-Algorithmen zur Erkennung von Bedrohungen, Intrusion Detection, Malware-Analyse und automatisierter Verteidigung. Sie haben die Fähigkeit, Bedrohungsszenarien zu analysieren und Risiken unter Einsatz von KI-Tools zu bewerten. Sie können KI-Methoden zielführend einsetzen, um bestehende Sicherheitsmaßnahmen zu optimieren und zu skalieren. Sie können Bedrohungen für die Vertraulichkeit und Integrität im Training von und bei der Inferenz mit ML-Modellen erkennen und bewerten. Sie können Schutzmaßnahmen zielgerichtet einsetzen, um Training von und Inferenz mit ML-Modellen sicherer zu gestalten.
Modulinhalte	Übersicht zu KI und Methoden des maschinellen Lernens Ausgewählte Methoden des überwachten und nicht überwachten maschinellen Lernens Vertiefung in Neuronale Netze (z.B. GAN, CNN) Angriffe auf Vertraulichkeit und Integrität im Training und in der Inferenz Maßnahmen zum Schutz von Vertraulichkeit und Integrität im Training und in der Inferenz Sicherheitsaspekte spezieller ML-Szenarien (Machine-Learning-as-a-Service, Federated Learning)
Lehrveranstaltungsformen	Vorlesung (2 SWS) Übung (2 SWS) Kursus
Unterrichtsprachen	Deutsch, Englisch
Dauer in Semestern	1 Semester Semester
Angebotsrhythmus Modul	jedes Wintersemester
Aufnahmekapazität Modul	unbegrenzt
Prüfungsebene
Credit-Points	5 CP
Modulabschlussnote	LV 1: %; LV 2: %; LV 3: %.
Faktor der Modulnote für die Endnote des Studiengangs	1

Modulveran­staltung	Lehrveranstaltungs­form	Veranstaltungs­titel	SWS	Workload Präsenz	Workload Vor- / Nach­bereitung	Workload selbstge­staltete Arbeit	Workload Prüfung incl. Vorbereitung	Workload Summe
LV 1	Vorlesung	Vorlesung	2					0
LV 2	Übung	Übung	2					0
LV 3	Kursus	Selbststudium						0
Workload modulbezogen						150		150
Workload Modul insgesamt								150

Prüfung	Prüfungsvorleistung	Prüfungsform
LV 1
LV 2
LV 3
Gesamtmodul	Lösung von Übungsaufgaben und deren Präsentation	mündl. Prüfung oder Klausur
Wiederholungsprüfung

Regularien	Teilnahme­voraussetzungen	Angebots­rhythmus	Anwesenheits­pflicht	Gewicht an Modulnote in %
LV 1		Wintersemester	Nein	%
LV 2		Wintersemester	Nein	%
LV 3		Wintersemester	Nein	%