Apprentissage automatique pour la détection des menaces et des anomalies cybernétiques

Aperçu

Machine learning is transforming how organisations detect cyber threats — but most security professionals lack hands-on experience building and deploying ML models. This course closes that gap, taking you from core ML concepts to practical, applied threat detection on real cybersecurity datasets.

You'll start with the foundations:

model training, learning types, and measuring model accuracy. You'll also learn how attackers exploit ML systems through inference, poisoning, and adversarial input — giving you a security-first perspective from the start.

From there, you'll move into hands-on application. You'll load, preprocess, train, and test classification and regression models to identify malware, detect fraud, and analyse network traffic.

You'll apply artificial neural networks to classify malware binaries and behavioural patterns. In the final section, you'll build network anomaly detection models using K-Nearest Neighbors (KNN) and One-Class SVM to identify outlier traffic and distinguish normal behaviour from potential attacks.

Designed for security analysts, SOC teams, IT engineers, and data scientists entering cybersecurity. Basic cybersecurity knowledge is recommended.

Job skills taught:

Machine Learning for Cybersecurity · Threat Detection · Malware Analysis · Network Anomaly Detection · ML Model Training and Evaluation · Classification and Regression Modelling · Fraud Detection · Artificial Neural Networks · Network Traffic Analysis Features Coursera Coach, Dialogues and Role Plays - a smarter way to learn with interactive, real-time conversations that help you test your knowledge, challenge assumptions, and deepen your understanding as you progress through the course.

Programme

• Introduction à l'IA et à l'apprentissage automatique en cybersécurité
L'intelligence artificielle (IA) et l'apprentissage automatique (ML) transforment la défense cybernétique en détectant les schémas et en répondant aux anomalies. Ce module établit une base solide en IA et ML pour les applications de cybersécurité. Vous étudierez les concepts fondamentaux de l'apprentissage automatique, y compris la formation de modèles, les types d'apprentissage et la mesure de l'efficacité. Vous examinerez également comment les attaquants exploitent les systèmes de ML par inférence, empoisonnement et entrée adversaire. À la fin, vous comprendrez le rôle du ML dans la défense cybernétique, ses nouvelles surfaces d'attaque, et comment évaluer ses forces et ses limites.
• Applications de l'apprentissage automatique en cybersécurité
L'apprentissage automatique est un outil puissant pour combattre les menaces cybernétiques. Ce module passe de la théorie aux techniques pratiques de ML pour la défense cybernétique. Vous identifierez les logiciels malveillants, détecterez les anomalies de trafic réseau et repérerez les fraudes. Apprenez à charger, prétraiter, entraîner et tester des modèles de classification et de régression en utilisant des outils pratiques. Les algorithmes aident à automatiser la détection des menaces et à accélérer la réponse. À la fin, vous ferez fonctionner des modèles de ML sur des ensembles de données cybernétiques, acquérant de nouvelles perspectives et une meilleure préparation.
• Apprentissage automatique pour la détection des menaces et l'analyse du trafic réseau
Les attaques cybernétiques modernes circulent souvent dans les veines numériques des organisations, leurs réseaux. Ce module montre comment l'apprentissage automatique identifie les schémas inhabituels et détecte les menaces cachées. Vous étudierez les bases des logiciels malveillants, des binaires aux types comportementaux, et comment les modèles de ML analysent le trafic réseau pour signaler les anomalies. À travers des exercices pratiques, vous travaillerez avec des ensembles de données sur les malwares et appliquerez des algorithmes d'apprentissage automatique, y compris les réseaux neuronaux artificiels, pour classer les comportements malveillants. Acquérez des compétences pour créer des mécanismes de défense intelligents qui apprennent des menaces en évolution, renforçant ainsi la résilience cybernétique.
• Apprentissage automatique pour la détection des anomalies réseau
Les attaquants cybernétiques imitent le trafic normal. Ce module enseigne comment l'apprentissage automatique transforme la détection des anomalies, vous aidant à repérer les signaux de compromission. Vous étudierez des techniques de base comme les K-plus proches voisins (KNN) et les machines à vecteurs de support à une classe (SVM), en les appliquant aux journaux réseau pour détecter les valeurs aberrantes et distinguer le trafic. À travers des expérimentations pratiques, acquérez de l'expérience dans la construction de modèles qui identifient automatiquement les comportements anormaux du réseau. À la fin, vous utiliserez l'apprentissage automatique pour la détection avancée des menaces, rendant les défenses plus intelligentes et plus adaptatives.
• Mini-projet
Dans ce module, vous construirez et évaluerez un modèle de ML pour détecter le trafic réseau anormal et classifier les binaires malveillants. Le projet vous permet de construire un portfolio d'artefacts complet démontrant vos capacités de bout en bout.

Enseigné par

Matt Bushby

Matières

Computer Science