(1) Upoznavanje sa osnovama informacione bezbednosti i privatnosti: definicija, osnovni pojmovi, prikupljanje bezbednosnih zahteva, kontrole, modelovanje pretnji i analiza rizika. (2) Pristupi automatske detekcije zloupotreba i anomalija: sistemi bazirani na pravilima, modeli mašinskog učenja i modeli zasnovani na dubokom učenju. Pristupi zasnovani na nadgledanom i nenadgledanom učenju. (3) Primena veštačke inteligencije u bezbednosti računarskih mreža: nadgledanje mreže, detekcija zloupotreba (intrusion detection) i profiliranje mreže. Detekcija malware-a i botnet mreža. (4) Primena veštačke inteligencije za prioritizaciju ranjivosti (vunerability prioritization) (5) Primena veštačke inteligencije u zaštiti osetljivih podataka i biometrijskoj autentifikaciji. Rešavanje problema privatnosti velikih količina podataka. Verifikacija privatnosti. Anonimizacija i pseudonimizacija podataka. (6) Primena veštačke inteligencije u detekciji spam poruka. (7) Napadi na modele mašinskog učenja (adversarial machine learning). (8) Zaštita intelektualne svojine modela mašinskog učenja. (9) Studije slučaja. Računarske i laboratorijske vežbe koje prate ovaj kurs su osmišljene na takav način da kroz praktičan rad sa postojećim softverskim alatima za trening standardnih prediktivnih modela mašinkog i dubokog učenja (Scikit-Learn, Keras/TensorFlow ), praktično primene teorijske koncepte koji će biti obrađivani na predavanjima. Neizostavni deo predmeta je samostalni studentski projekat, gde je ideja da student samostalno odabere problem iz oblasti informacione bezbednosti i privatnosti podataka. Student potom temeljno istražuje literaturu na temu kako se ovaj problem može rešiti primenom tehnika istraživanja podataka i mašinskog učenja, kako bi utvrdio prednosti i nedostatke do tada predloženih rešenja i na osnovu toga, kroz konsultacije sa predavačima, koncipirao predlog projekta. Po završetku projekta, student prezentuje svoje istraživanje u okviru izveštaja.