Ficha Unidade Curricular (FUC)
Informação Geral / General Information
Carga Horária / Course Load
Área científica / Scientific area
480 - Informática
Departamento / Department
Departamento de Tecnologias Digitais
Ano letivo / Execution Year
2025/2026
Pré-requisitos / Pre-Requisites
Não existem nenhuns requisitos específicos para a frequência desta UC. No entanto é desejável que os alunos possuam conhecimentos introdutórios de cibersegurança.
Objetivos Gerais / Objectives
Esta disciplina introduz conceitos fundamentais da aprendizagem automática com ênfase no domínio da cibersegurança. Dada a importância de detetar e atenuar as ameaças cibernéticas que surgem em aplicações comerciais, é crucial fornecerem-se ferramentas que permitam desenvolver a capacidade de identificar que tipo de algoritmos de aprendizagem de automática que são úteis para aplicações de segurança específicas. Os processos de melhoria de defesa contra ataques e também antecipação de potenciais variantes de ataque dependem desta capacidade a fomentar nos estudantes. As aulas consistirão em exposições teóricas seguidas de aulas laboratoriais em Python para que os estudantes sejam capazes de aprender sobre uma ameaça cibernética bem como de extrair as suas características essenciais, efetuar o pré-processamento de dados e posteriormente identificar um conjunto adequado de algoritmos de aprendizagem automática que poderão ser utilizados para detetar e mitigar a ameaça cibernética.
Objetivos de Aprendizagem e a sua compatibilidade com o método de ensino (conhecimentos, aptidões e competências a desenvolver pelos estudantes) / Learning outcomes
OA1. Compreender como utilizar algoritmos de aprendizagem de máquinas para estudar problemas de cibersegurança. OA2. Implementar algoritmos de aprendizagem automática supervisionados e não supervisionados, tais como regressão logística, árvores de decisão, k-means, entre outros; OA3. Utilizar as bibliotecas Python - NumPy, e Scikit-learn; OA4. Compreender como combater o malware, detectar spam, e anomalias cibernéticas; OA5. Utilizar TensorFlow no domínio da cibersegurança e implementar exemplos aplicados ao mundo real.
Conteúdos Programáticos / Syllabus
CP1. Técnicas de Aprendizagem Automática 1.1. Fundamentos da aprendizagem automática 1.2. Aprendizagem supervisionada e não-supervisionada 1.3. O paradigma emergente da aprendizagem profunda CP2. Introdução da aprendizagem automática para cibersegurança 2.1. O paradigma atual orientado aos dados 2.2. Arquitetura da Internet e comportamento do tráfego 2.3 Detecção de anomalias e aplicações de segurança de rede CP3. Introdução à aprendizagem automática adversária e modelos de ameaça 3.1 Detecção de ataques 3.2 Defesa contra adversários CP4. Ética, responsabilidade e transparência na cibersegurança: 4.1 Equidade, transparência e explicabilidade dos modelos de aprendizagem automática 4.2 Privacidade e atualizações de privacidade para aplicações de cibersegurança 4.3 Implicações dos erros nos modelos de aprendizagem automática 4.4 Desenvolvimento e implementação de aprendizagem automática segura
Demonstração da coerência dos conteúdos programáticos com os objetivos de aprendizagem da UC / Evidence that the curricular unit's content dovetails with the specified learning outcomes
A demonstração de coerência decorre da interligação dos conteúdos programáticos com os objectivos de aprendizagem (OA), como a seguir se explicita: OA1: CP1 OA2: CP1, CP2 OA3: CP1, CP2 OA4: CP3, CP4 OA5: CP3, CP4 O documento de Planeamento de Unidade Curricular (PUC), detalhado para cada aula, evidencia a relação entre os métodos pedagógicos de ensino (de acordo com a tipologia de aula) e os objectivos de aprendizagem.
Avaliação / Assessment
Avaliação Períodica Este tipo de avaliação engloba duas componentes, nomeadamente: - Um trabalho prático em grupo, com peso de 50% na nota final; - Uma frequência (prova escrita) com peso de 50% na nota final da UC. A nota aprovação à unidade curricular é de 10 valores. Exame Final Em caso de não aprovação na componente de avaliação períodica, os estudantes podem realizar apenas um exame final sobre a totalidade da matéria, com um peso de 100% na nota final da UC. A nota aprovação à unidade curricular é de 10 valores.
Metodologias de Ensino / Teaching methodologies
Serão utilizadas as seguintes metodologias de ensino-aprendizagem (MEA): MEA1 Aulas expositivas teórico-práticas:teoria,demos,audiovisuais MEA2 Aulas participativas:análise e discussão de casos de estudo MEA3 Aulas ativas:realização de exercícios/entregáveis do projeto de grupo em lab/apresentações, usando ferramentas do estado-da-arte MEA4 Trabalho autónomo por parte do aluno: auto-estudo,revisões,realização dos entregáveis do trabalho de grupo em laboratório
Demonstração da coerência das metodologias de ensino e avaliação com os objetivos de aprendizagem da UC / Evidence that the teaching and assessment methodologies are appropriate for the learning outcomes
As metodologias de ensino-aprendizagem visam o desenvolvimento das principais competências de aprendizagem dos alunos que permitam cumprir com cada um dos objectivos de aprendizagem, pelo que, na grelha a seguir, apresenta-se as principais interligações entre as metodologias de ensino-aprendizagem (MEA) e os respectivos objectivos de aprendizagem (AO): OA1: MEA1, MEA2 OA2: MEA1, MEA2, MEA3, MEA4, OA3: MEA1, MEA2, MEA3, MEA4 OA4: MEA1, MEA2, MEA3, MEA4 O documento de Planeamento de Unidade Curricular (PUC), detalhado para cada aula, evidencia a relação entre os métodos pedagógicos de ensino (de acordo com a tipologia de aula) e os objectivos de aprendizagem.
Observações / Observations
NA
Bibliografia Principal / Main Bibliography
Gupta B., Sheng Q., Machine Learning for Computer and Cyber Security: Principle, Algorithms, and Practices, CRC Press, 2019.
Bibliografia Secundária / Secondary Bibliography
Chio C., Freeman D., Machine Learning and Security: Protecting Systems with Data and Algorithms. O’Reilly Media, 2012.
Data da última atualização / Last Update Date
2025-04-15