Aperçu
AI for Cyber Security | Defend Smarter, Not Harder In today’s high-stakes cyber landscape, artificial intelligence (AI) and machine learning (ML) are no longer futuristic add-ons—they are essential pillars of a modern cyber defence strategy. This course is your hands-on, practitioner-focused guide to understanding how AI and ML are being used to detect, disrupt, and defend against cyber threats in real time.
Smarter Threat Detection. Stronger Defences.
Real-World Readiness. Built by Macquarie University’s Cyber Skills Academy—ranked in the top 1% of universities globally and recognised as Australia’s leading cyber security school—this course has been co-designed with industry to ensure practical, real-world impact.
It brings together technical depth and tactical awareness, with a focus on applications that are relevant, actionable, and urgently needed by today’s organisations. Key topics include:
• Build foundational knowledge of AI and ML concepts, tasks (classification/regression), accuracy trade-offs, and the unique risks they face in cyber contexts. • Apply ML tools and models to real-world security problems, including malware analysis, fraud detection, deep packet inspection, and network monitoring. • Analyse network traffic using anomaly detection techniques powered by supervised and unsupervised ML methods, such as k-nearest neighbours and one-class SVM. • Unpack malware behaviour and experiment with ML-driven analysis to identify malicious binaries, understand malware types, and apply artificial neural networks to detection tasks.
Dive deep into adversarial machine learning, learning how attackers manipulate models with poisoning and evasion attacks—and how to defend against them by building more robust, resilient systems. Important Note:
While no prior AI/ML experience is required, some basic familiarity with Python programming is recommended to get the most out of the practical activities and hands-on labs.
Building Models That Fight Back This course is designed for cyber security professionals, SOC analysts, engineers, data scientists, and tech leaders looking to future-proof their security strategies with intelligent automation and machine-driven defence techniques.
Programme
- Concepts d'Intelligence Artificielle (IA) et d'Apprentissage Machine (ML)
L'Intelligence Artificielle (IA) et l'Apprentissage Machine (ML) transforment la manière dont nous nous défendons contre les menaces cybernétiques, en offrant la capacité de détecter des motifs, de répondre aux anomalies et de s'adapter aux risques évolutifs à la vitesse des machines. Mais avec une grande capacité vient la complexité et de nouvelles vulnérabilités. Dans ce module, vous développerez une solide base en IA et ML, spécifiquement adaptée aux applications de cybersécurité. Vous explorerez les concepts fondamentaux derrière l'apprentissage machine : comment les modèles sont entraînés, quels types d'apprentissage existent, et comment nous mesurons leur précision et leur efficacité. Mais vous examinerez également le côté obscur de l'IA : les façons dont les attaquants peuvent exploiter les systèmes de ML par l'inférence, l'empoisonnement et les entrées adversariales. À la fin de ce module, vous comprendrez non seulement comment le ML peut soutenir la défense cybernétique, mais aussi les nouvelles surfaces d'attaque qu'il introduit, et comment évaluer de manière critique ses forces, ses faiblesses et ses limites dans le monde réel.
- Application de l'Apprentissage Machine en Cybersécurité
L'Apprentissage Machine n'est pas qu'un mot à la mode—c'est un outil puissant déjà utilisé pour combattre certaines des menaces cybernétiques les plus pressantes auxquelles font face les entreprises aujourd'hui. Dans ce sujet, vous dépasserez la théorie et vous plongerez dans les techniques de ML qui façonnent l'avenir de la défense cybernétique. De la détection des logiciels malveillants à l'identification des anomalies dans le trafic réseau et la détection de la fraude, vous explorerez comment les modèles de ML sont appliqués dans des cas d'utilisation réels de la cybersécurité. Apprenez à charger, visualiser et prétraiter des ensembles de données, puis à former et tester des modèles de classification et de régression en utilisant des outils et des flux de travail pratiques. C'est ici que l'IA devient réelle. Vous verrez de première main comment les algorithmes peuvent aider à automatiser la détection des menaces, accélérer la réponse et augmenter le jugement humain dans des environnements à enjeux élevés. À la fin de ce module, vous serez équipé pour exécuter vos propres modèles de ML sur des ensembles de données cybernétiques, débloquant de nouveaux niveaux de perspicacité et de préparation.
- Apprentissage Machine pour l'Analyse du Trafic Réseau
Les cyberattaques modernes voyagent souvent à travers les veines numériques d'une organisation : ses réseaux. Dans ce sujet, vous découvrirez comment l'Apprentissage Machine peut servir d'outil de diagnostic puissant, capable d'identifier des motifs inhabituels et de détecter des menaces qui se cachent à la vue de tous. Vous explorerez les fondements des logiciels malveillants, des binaires aux types comportementaux, et comment les modèles de ML peuvent analyser et interpréter le trafic réseau pour signaler les anomalies en temps réel. Grâce à des exercices pratiques, vous travaillerez avec des ensembles de données de logiciels malveillants et appliquerez des algorithmes d'apprentissage machine, y compris des réseaux de neurones artificiels, pour détecter et classifier les comportements malveillants avant qu'ils ne causent des dommages. En maîtrisant ces techniques, vous développerez les compétences nécessaires pour créer des mécanismes de défense intelligents qui apprennent continuellement des menaces évolutives, poussant votre résilience cybernétique bien au-delà des systèmes basés sur des règles statiques.
- Apprentissage Machine pour la Détection d'Anomalies Réseau
Les attaquants cybernétiques évoluent constamment, se glissant souvent à travers les défenses traditionnelles en imitant les motifs de trafic normaux. Dans ce sujet, vous apprendrez comment l'apprentissage machine transforme la détection d'anomalies, vous permettant de repérer les signaux subtils de compromis avant que des dommages ne soient causés. Vous explorerez des techniques fondamentales telles que les plus proches voisins (KNN) et les machines à vecteurs de support à une classe (SVM), les appliquant à des journaux de réseau réels pour détecter les anomalies et distinguer entre le trafic légitime et malveillant. Par le biais d'expérimentations pratiques, vous acquerrez de l'expérience dans la construction de modèles capables d'identifier automatiquement les comportements anormaux dans les réseaux, sans contraintes de règles prédéfinies. À la fin de ce module, vous serez équipé pour utiliser l'apprentissage machine pour une détection de menaces avancée, rendant les défenses de votre organisation plus intelligentes, plus rapides et plus adaptatives.
- Attaques sur l'Apprentissage Machine et Défenses
À mesure que l'apprentissage machine devient plus intégré dans les défenses cybernétiques, les méthodes pour le contourner augmentent aussi. Dans ce module, vous entrerez dans l'esprit de l'adversaire pour comprendre comment les systèmes de machine learning peuvent être manipulés, contournés et brisés, et plus important encore, comment se défendre contre cela. Vous explorerez l'apprentissage machine adversarial à travers des exemples concrets de modèles de menace, d'entrées adversariales et d'attaques par empoisonnement. Vous apprendrez comment des données apparemment inoffensives peuvent être transformées en armes pour compromettre des modèles et comment les attaquants exploitent les vulnérabilités pendant les phases d'entraînement et d'inférence. Mais il ne s'agit pas seulement d'attaque. Ce module approfondit également le livre de jeu défensif, vous offrant des techniques pratiques pour construire des modèles plus résilients et implémenter des contre-mesures capables de résister à ces menaces émergentes. Que vous déployiez le ML dans la détection de logiciels malveillants, les systèmes d'intrusion ou l'analytique de la fraude, ce module vous aidera à protéger vos modèles et à préserver leur fiabilité face à des attaques sophistiquées.
Enseigné par
Matt Bushby
Matières
Computer Science
