{
  "guid": "108de52f-2cfc-458c-9af8-f621ba15342e",
  "id": 108522,
  "date": "2024-12-30T17:00:00+01:00",
  "start": "17:00",
  "duration": "01:00",
  "room": "SoS Saal 6",
  "slug": "38c3-adversarial-attacks-against-image-recognition-syst",
  "url": "https://events.ccc.de/congress/2024/hub/de/event/adversarial-attacks-against-image-recognition-syst/",
  "title": "Adversarial Attacks against Image Recognition Systems",
  "subtitle": null,
  "language": "de, en",
  "track": null,
  "type": "other",
  "abstract": "",
  "description": "Nehmen Sie an dieser praktischen Sitzung teil und tauchen Sie ein in die faszinierende Welt des Adversarial Machine Learning! Wir werden zeigen, wie man mit der Adversarial Robustness Toolbox (ART) gegnerische Angriffe auf Bilderkennungssysteme entwickelt, evaluiert und abwehrt. ART bietet einen umfassenden Rahmen f\u00fcr die Implementierung von White-Box- und Black-Box-Angriffen und erm\u00f6glicht eine robuste Verteidigung gegen solche Bedrohungen.\r\n\r\nFormat:\r\nDiese interaktive Sitzung umfasst eine kurze theoretische Einf\u00fchrung, gefolgt von Programmier\u00fcbungen. Die Teilnehmer werden Python und ART verwenden, um Beispiele f\u00fcr Angriffe zu erstellen und diese gegen vorher trainierte Bildklassifikatoren zu testen. Es sind keine Vorkenntnisse im Bereich des adversen maschinellen Lernens erforderlich, es wird jedoch empfohlen, mit Python und grundlegenden Konzepten des maschinellen Lernens vertraut zu sein.\r\n\r\nVorbereitung:\r\n- Installieren Sie Python 3.8 oder h\u00f6her.\r\n- pip install adversarial-robustness-toolbox",
  "logo": null,
  "persons": [
    {
      "guid": "c88ada4d-e4a4-4cd9-9826-c24d0a4006ef",
      "name": "DJE98",
      "public_name": "DJE98",
      "avatar": null,
      "biography": null,
      "url": "https://events.ccc.de/congress/2024/hub/de/user/dje98/"
    }
  ],
  "links": []
}