Bu ders, derin sinir agi modellerinin güvenligi ve saglamligina iliskin kapsamli bir giris dersidir. Tehdit modellerini ve bunlara karsilik gelen önlemleri birlikte ele alir. Konular, adversaryal örnekler ve arka kapi (Trojan) saldirilari gibi temel saldiri paradigmalarindan baslayarak, daginik sitemlerde ortaya çikan tehditlere kadar ilerler. Federe ögrenme (federated learning) çerçevesi derinlemesine incelenir; veri heterojenligi, Bizans ataklarina karsin saglamlik (Byzantine robustness) ve gizliligi koruyan birlestirme (privacy-preserving aggregation) konularina özel olarak yer verilir. Diferansiyel gizlilik (differential privacy) temel ilkelerden baslanarak tanitilir ve makine ögrenmesi ile federe sistemlere entegrasyonu üzerinden gelistirilir. Ders boyunca, tehdit modelleri ve savunma mekanizmalari PyTorch kütüphaneleri kullanilarak uygulamali olarak hayata geçirilir. Ders projesi kapsaminda ögrencilerden, güncel literatürden seçilmis bir yayini yeniden üretmeleri ve elestirel biçimde analiz etmeleri istenir.