Strojové učenie zachovávajúce súkromie

Recenzie čitateľov

V knihe sa rozoberá dôležitosť ochrany súkromia používateľov v strojovom učení, najmä v súvislosti s pribúdajúcimi predpismi. Zdôrazňuje, že neexistuje jedno univerzálne riešenie, a poskytuje rôzne prípadové štúdie a prístupy na riešenie otázok ochrany súkromia.

Kniha ponúka cenné poznatky o ochrane súkromia v strojovom učení, svoje argumenty podporuje prípadovými štúdiami a zdôrazňuje potrebu riešení ochrany súkromia šitých na mieru namiesto univerzálneho prístupu.

Recenzia neuvádza žiadne konkrétne nevýhody, ale mohla by naznačovať zložitosť implementácie rôznych prístupov alebo potenciálne problémy pri zosúlaďovaní ochrany súkromia s potrebami údajov.

(na základe 1 čitateľských recenzií)

Pôvodný názov:

Privacy-Preserving Machine Learning

Obsah knihy:

Udržujte citlivé údaje používateľov v bezpečí bez toho, aby ste obetovali výkon a presnosť svojich modelov strojového učenia.

V knihe Strojové učenie so zachovaním súkromia sa naučíte:

⬤ Úvahy o ochrane súkromia v strojovom učení.

⬤ Diferencované techniky ochrany súkromia pre strojové učenie.

⬤ Generovanie syntetických údajov so zachovaním súkromia.

⬤ Technológie na zvýšenie súkromia pre dolovanie dát a databázové aplikácie.

⬤ Kompresívne súkromie pre strojové učenie.

Strojové učenie so zachovaním súkromia je komplexný sprievodca, ktorý vám pomôže vyhnúť sa narušeniu údajov v projektoch strojového učenia. Zoznámite sa s modernými technikami na ochranu súkromia, ako je diferenciálne súkromie, kompresívne súkromie a generovanie syntetických dát. Na základe dlhoročného výskumu kybernetickej bezpečnosti financovaného agentúrou DARPA budú mať inžinieri ML všetkých úrovní zručností úžitok zo začlenenia týchto postupov zachovávania súkromia do vývoja svojich modelov. Po skončení čítania budete schopní vytvárať systémy strojového učenia, ktoré zachovávajú súkromie používateľov bez toho, aby ste obetovali kvalitu údajov a výkonnosť modelov.

Zakúpenie tlačenej knihy zahŕňa bezplatnú elektronickú knihu vo formátoch PDF, Kindle a ePub od Manning Publications.

O technológii

Aplikácie strojového učenia potrebujú obrovské množstvo údajov. Je na vás, aby ste citlivé informácie v týchto súboroch dát udržali v súkromí a v bezpečí. Ochrana súkromia prebieha v každom bode procesu ML, od zberu a prijímania údajov až po vývoj a nasadenie modelu. Táto praktická kniha vás naučí zručnosti, ktoré budete potrebovať na zabezpečenie dátových potrubí od konca do konca.

O knihe

Kniha Strojové učenie so zachovaním súkromia skúma techniky zachovania súkromia prostredníctvom reálnych prípadov použitia v oblasti rozpoznávania tváre, ukladania dát v cloude a ďalších. Dozviete sa o praktických implementáciách, ktoré môžete nasadiť už teraz, o budúcich výzvach v oblasti ochrany súkromia a o tom, ako prispôsobiť existujúce technológie vašim potrebám. Vaše nové zručnosti smerujú ku kompletnému projektu bezpečnostnej dátovej platformy, ktorý vypracujete v záverečnej kapitole.

Čo je vnútri

⬤ Diferencované a kompresné techniky ochrany súkromia.

⬤ Súkromie pre odhad frekvencie alebo priemeru, naivný Bayesov klasifikátor a hlboké učenie.

⬤ Generovanie syntetických údajov so zachovaním súkromia.

⬤ Vylepšené súkromie pre aplikácie na dolovanie údajov a databázy.

O čitateľovi

Pre inžinierov a vývojárov strojového učenia. Príklady v jazykoch Python a Java.

O autorovi

J. Morris Chang je profesorom na University of South Florida. Jeho výskumné projekty boli financované agentúrou DARPA a ministerstvom obrany. Di Zhuang je bezpečnostný inžinier v spoločnosti Snap Inc. Dumindu Samaraweera je docentom výskumu na University of South Florida. Technický redaktor tejto knihy Wilko Henecka je starší softvérový inžinier v spoločnosti Ambiata, kde vytvára softvér na ochranu súkromia.

Obsah

1. ČASŤ - ZÁKLADY STROJOVÉHO UČENIA SO ZACHOVANÍM SÚKROMIA S DIFERENCIÁLNOU OCHRANOU SÚKROMIA

1 Úvahy o ochrane súkromia v strojovom učení.

2 Diferenciálne súkromie pre strojové učenie.

3 Pokročilé koncepty diferenciálneho súkromia pre strojové učenie.

2. ČASŤ - LOKÁLNE DIFERENCIÁLNE SÚKROMIE A GENEROVANIE SYNTETICKÝCH DÁT PART 2 - LOCAL DIFFERENTIAL PRIVACY AND SYNTHETIC DATA GENERATION.

4 Lokálne diferenciálne súkromie pre strojové učenie.

5 Pokročilé mechanizmy LDP pre strojové učenie.

6 Generovanie syntetických dát so zachovaním súkromia.

ČASŤ 3 - BUDOVANIE APLIKÁCIÍ STROJOVÉHO UČENIA SO ZABEZPEČENÍM SÚKROMIA

7 Techniky dolovania údajov so zachovaním súkromia.

8 Správa údajov a operácie so zachovaním súkromia.

9 Kompresívne súkromie pre strojové učenie.

10 Všetko dohromady: Navrhovanie platformy na ochranu súkromia (DataHub).