Õppeaine eesmärk on anda üliõpilastele teadmised masinõppe ja suurte keelemudelite (LLM) põhikontseptsioonidest. Aine vältel selgitatakse süvaõppe põhimõtteid ja algoritmide kujundamise aluseid. Samuti käsitletakse LLM-ide praktilisi rakendusi küberturbes, sealhulgas seda, kuidas ohte on võimalik ennetada ja leevendada. Üliõpilased omandavad arusaama baasteadmistest ja oskustest, mis on vajalikud LLM-ide rakendamiseks küberturbe kontekstis ning õpivad hindama nende potentsiaalseid tugevusi ja nõrkusi.

The aim of this course is to provide students with a knowledge of the core concepts of machine learning and large language models (LLMs). This will include an explanation of deep learning principles and algorithm design. The practical applications of LLMs in cyber security will be explained with an examination of how threats can be mitigated. Students will gain an appreciation of the basic skills required to apply LLMs in cybersecurity and their potential strengths and weaknesses.

Õppeaine läbinud üliõpilane:
- defineerib ja selgitab masinõppe ning süvaõppe põhikontseptsioone;
- tuvastab suurte keelemudelite (LLM) kasutamise tugevusi ja nõrkuseid küberturbe valdkonnas;
- kirjeldab ja selgitab suurte keelemudelite (LLM) põhikontseptsioone ning nende rakendusi küberturbe valdkonnas;
- rakendab uurimismetoodikaid LLM-ide kasutamiseks küberturbe rakendustes;
- kavandab ja viib rühmatööna läbi projekti, rakendades suurt keelemudelit (LLM) konkreetse küberjulgeoleku probleemi lahendamiseks;
- esitab projekti metoodika, tulemused ja järeldused kirjaliku aruandena ning suulise ettekandena.

After completing this course the student:
- describes and explains the fundamental concepts of machine learning and deep learning;
- identifies the strengths and weaknesses of employing LLMs in cybersecurity;
- describes and explains the fundamental concepts of Large Language Models (LLMs) and their cyber security applications;
- employs research methodologies to apply LLMs in a cybersecurity application;
- plans and carries out a project as a group, applying a large language model (LLM) to solve a specific cybersecurity problem;
- presents the project methodology, results, and conclusions in the form of a written report and an oral presentation.

See 6 EAP mahuga aine koosneb 16-st kahetunnisest loengust. Õppeaine algab põhjaliku ülevaatega masinõppe ja süvaõppe põhialustest, hõlmates algoritmide disaini, mudelite treenimist ja soorituse hindamist. Seejärel käsitletakse suurte keelemudelite (LLM) põhikontseptsioone, nagu treenimine, prompting, peenhäälestus, välistoeline genereerimine ning agendid. Aine süvendab LLM-ide rakendusi turvamonitooringus (nt pahavara analüüs, turvalogide analüüs), turvalisusintsidentide käsitlemises, küberohtude luures, tarkvarakoodi turvakontrollis ja pen-testimises. Üliõpilased osalevad semestri vältel rühmatöös, omandades praktilisi oskusi LLM-ide rakendamisel küberturbe probleemide lahendamisel. Õppeainel puuduvad eeltingimused, kuid masinõppealased teadmised on soovitatavad.

This 6 ECTS course will comprise 16 x 2 hour lectures. It will commence with a comprehensive review of core machine learning and deep learning principles, including algorithm design, model training, and performance evaluation. It will them continue with a detailed explanation of the core LLM concepts including training, prompting, fine-tuning, retrieval augmented generation, and agents. The course will further elaborate on the applications of LLMs in security monitoring (e.g., malware analysis, security log analysis), security incident handling, cyber threat intelligence, software code security review, and penetration testing. Students will engage in a semester-long group project to acquire practical skills about utilizing LLMs in cyber security problems. The course has no prerequisites. However, a background in machine learning would be highly beneficial.

Iga üliõpilane täidab kursuse jooksul viis praktilist kodust ülesannet, mis keskenduvad masinõppe, süvaõppe ja suurte keelemudelite (LLM) mudelite praktilisele rakendamisele. Lisaks osalevad üliõpilased rühmatöös, kus viiakse läbi semestriprojekt, mis koosneb järgmistest komponentidest:
1. kirjalik projektikavand, mis kirjeldab projekti ulatust, eesmärke ja uurimiskava;
2. üksikasjalik lõpparuanne, mis dokumenteerib uurimistulemused, rakenduse ja analüüsi;
3. projekti esitlus, mille käigus tutvustatakse klassile tulemusi ja peamisi järeldusi.

Each student will complete five hands-on homework assignments throughout the course, focusing on the practical application of machine learning, deep learning and LLM models. In addition, students will participate in a group to conduct a term research project, which includes the following components:
(1) A written project proposal outlining the scope, objectives, and research design,
(2) A detailed final project report documenting findings, implementation, and analysis,
(3) A project presentation to demonstrate outcomes and main findings to the class.

-

-

Kirjandus: Sellel kursusel puudub konkreetne õpik. Selle asemel tehakse kursuse vältel kättesaadavaks valik teadusartikleid, tehnilisi dokumente ja juhtumiuuringuid.

Study literature: There is no specific textbook for this course. However, various papers/documents will be delivered.

Hayretdin Bahsi, sihtrahastusega professor (IT - tarkvarateaduse instituut)

not specified