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 Automatique (AA)
L'Intelligence Artificielle (IA) et l'Apprentissage Automatique (AA) transforment notre façon de nous défendre contre les menaces cybernétiques—offrant le pouvoir de détecter des motifs, de réagir aux anomalies et de s'adapter aux risques évolutifs à la vitesse des machines. Mais cette grande capacité s'accompagne de complexité et de nouvelles vulnérabilités. Dans ce module, vous bâtirez une base solide en IA et AA, spécifiquement adaptée aux applications de cybersécurité. Vous explorerez les concepts de base derrière l'apprentissage automatique—comment les modèles sont entraînés, quels types d'apprentissage existent, et comment nous mesurons leur précision et efficacité. Mais vous lèverez aussi le capot sur le côté sombre de l'IA : les façons dont les attaquants peuvent exploiter les systèmes d'AA par inférence, empoisonnement, et entrées adverses. À la fin de ce module, vous comprendrez non seulement comment l'AA peut soutenir la cyberdéfense, mais aussi les nouvelles surfaces d'attaque qu'elle introduit—et comment évaluer de façon critique ses forces, faiblesses, et limites dans le monde réel.
- Application de l'Apprentissage Automatique en Cybersécurité
L'Apprentissage Automatique n'est pas seulement un mot à la mode—c'est un outil puissant déjà utilisé pour combattre certaines des menaces cybernétiques les plus pressantes auxquelles les entreprises sont confrontées aujourd'hui. Dans ce sujet, vous dépasserez la théorie et vous vous engagerez directement avec les techniques d'AA qui façonnent l'avenir de la cyberdéfense. De la détection des logiciels malveillants à l'identification des anomalies dans le trafic réseau et la détection des fraudes, vous explorerez comment les modèles d'AA sont appliqués dans des cas d'utilisation réels de la cybersécurité. Apprenez à charger, visualiser, et prétraiter des ensembles de données, puis à entraîner 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 concrète. Vous verrez de première main comment les algorithmes peuvent aider à automatiser la détection des menaces, accélérer la réponse, et renforcer le jugement humain dans des environnements à enjeux élevés. À la fin de ce module, vous serez équipé pour exécuter vos propres modèles d'AA sur des ensembles de données de cyber, débloquant de nouveaux niveaux d'insight et de préparation.
- L'Apprentissage Automatique pour l'Analyse du Trafic Réseau
Les attaques cybernétiques modernes voyagent souvent à travers les veines numériques d'une organisation—ses réseaux. Dans ce sujet, vous découvrirez comment l'Apprentissage Automatique peut servir d'outil diagnostique puissant, capable d'identifier des motifs inhabituels et de détecter des menaces cachées à la vue de tous. Vous explorerez les fondements des logiciels malveillants—des binaires aux types comportementaux—et comment les modèles d'AA peuvent analyser et interpréter le trafic réseau pour signaler les anomalies en temps réel. À travers des exercices pratiques, vous travaillerez avec des ensembles de données de logiciels malveillants et appliquerez des algorithmes d'apprentissage automatique, y compris les réseaux neuronaux artificiels, pour repérer 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.
- L'Apprentissage Automatique pour la Détection d'Anomalies Réseau
Les cyberattaquants évoluent constamment, passant souvent inaperçus des défenses traditionnelles en imitant les motifs normaux de trafic. Dans ce sujet, vous apprendrez comment l'apprentissage automatique transforme la détection d'anomalies—vous permettant de repérer les signaux subtils de compromission avant que des dommages ne soient causés. Vous explorerez des techniques fondamentales telles que les K-plus proches voisins (KNN) et les Machines à Vecteurs de Support à une classe (SVM), les appliquant à des journaux réseau réels pour détecter des anomalies et distinguer entre le trafic légitime et malveillant. À travers des expériences pratiques, vous acquerrez de l'expérience dans la construction de modèles capables d'identifier automatiquement les comportements anormaux dans les réseaux—sans règles prédéfinies nécessaires. À la fin de ce module, vous serez équipé pour utiliser l'apprentissage automatique pour une détection avancée des menaces, rendant les défenses de votre organisation plus intelligentes, plus rapides, et plus adaptatives.
- Attaques sur l'Apprentissage Automatique et Défenses
À mesure que l'apprentissage automatique devient plus intégré aux défenses cybernétiques, les méthodes pour le briser se développent également. Dans ce module, vous entrerez dans l'esprit de l'adversaire pour comprendre comment les systèmes d'apprentissage automatique peuvent être manipulés, contournés, et brisés—et plus important encore, comment s'en défendre. Vous explorerez l'apprentissage automatique adversaire à travers des exemples réels de modèles de menace, d'entrées adverses, et d'attaques par empoisonnement. Vous apprendrez comment des données apparemment inoffensives peuvent être armées pour compromettre des modèles, et comment les attaquants exploitent les vulnérabilités tant pendant les phases d'entraînement que d'inférence. Mais il ne s'agit pas uniquement d'offensive. Ce module plonge également dans le manuel de défense—vous équipant de techniques pratiques pour construire des modèles plus résilients et mettre en œuvre des contre-mesures qui peuvent résister à ces menaces émergentes. Que vous déployiez l'AA dans la détection de logiciels malveillants, les systèmes d'intrusion, ou l'analyse 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
