Deutschsprachige BuchvorstellungKünstliche Intelligenz

ARTIFICIAL INTELLIGENCE AND MACHINE LEARNING FOR CYBERSECURITY

Name: ARTIFICIAL INTELLIGENCE AND MACHINE LEARNING FOR CYBERSECURITY
Author: Faramarz Kowsari

Foundations, Intelligent Threat Detection, Adversarial Machine Learning, Privacy, Generative AI, and Secure Autonomous Systems

„ARTIFICIAL INTELLIGENCE AND MACHINE LEARNING FOR CYBERSECURITY“ ist ein Buch von Faramarz Kowsari im Bereich Künstliche Intelligenz. Diese deutschsprachige Entdeckungsseite ordnet den Titel anhand der veröffentlichten Buchmetadaten ein und macht Themen, Zielgruppe, Publikationssprache sowie offizielle Lese- und Kaufwege leichter auffindbar.

Der öffentliche Buchdatensatz ordnet diesen Titel Themen rund um künstliche Intelligenz, moderne AI-Werkzeuge oder Prompt-basierte Arbeitsabläufe zu.

Publikationssprache: Englisch. Diese Seite ist eine deutschsprachige Orientierung. Das eigentliche Buch ist in Englisch veröffentlicht; Titel, Vorschau und Kaufoptionen auf Google Books beziehen sich auf diese Ausgabe.

Auf Google Books ansehen Kostenlose Vorschau öffnen Originale Buchseite

Worum geht es in diesem Buch?

Der öffentliche Buchdatensatz ordnet diesen Titel Themen rund um künstliche Intelligenz, moderne AI-Werkzeuge oder Prompt-basierte Arbeitsabläufe zu.

Ausgewiesene Schwerpunkte

Artificial intelligence in cybersecurityMachine learning for threat detectionNetwork intrusion detectionMalware and ransomware analysisPhishing and DNS securityEndpoint, cloud and container telemetrySecurity data engineeringData leakage and time-based validationPrecision, recall, calibration and concept driftGraph neural networks and attack graphsAdversarial machine learning and data poisoningModel extraction and model supply-chain securityDifferential privacy and federated learningLarge language model (LLM) security

Originale öffentliche Buchbeschreibung

Englisch

Artificial Intelligence and Machine Learning for Cybersecurity is an English-language, 473-page graduate-level textbook organized into 70 chapters and ten connected parts. It begins with security objectives, threat modeling, networks, cryptography, logs and incident response, then builds the necessary Python, probability, statistics, machine learning and deep learning foundations. Security telemetry, temporal feature engineering, class imbalance, data leakage, calibration, uncertainty and reproducibility form the methodological bridge to applied threat detection. The applied chapters connect models to recognizable cybersecurity evidence: network flows, encrypted-traffic metadata, anomalies, malware files and behavior, ransomware, phishing, malicious URLs and DNS, identity misuse, botnets, DDoS, cloud and container events, digital forensics and threat intelligence. Further sections examine graph-based attack analysis, concept drift, operational technology, connected vehicles, defensible autonomous response and causal reasoning. Throughout, the distinction between a model prediction and an authorized operational decision remains central. The advanced sequence studies adversarial examples, problem-space evasion, poisoning, model extraction, robust evaluation and AI supply-chain integrity, followed by membership inference, differential privacy, federated learning and privacy-preserving techniques. The final chapters address generative AI, retrieval-augmented security intelligence, prompt injection, LLM application security, red teaming, agent permissions, MCP, SOC copilots, secure MLOps, model incidents, human factors, edge deployment, research design, an end-to-end capstone and post-quantum security. Python examples, explanatory figures and illustrative scenarios are…

Für wen ist das Buch gedacht?

Die Zielgruppe ergibt sich aus der öffentlichen Buchbeschreibung. Für deutschsprachige Leser ist besonders wichtig, dass die eigentliche Ausgabe in Englisch vorliegt.

For master's-level AI and cybersecurity students, instructors, researchers, software engineers, security analysts and independent learners who want a structured bridge between machine learning theory, cybersecurity telemetry, defensible evaluation and secure AI system deployment.

Ausgewiesene Lernziele