Uczenie maszynowe chroniące prywatność

Opinie czytelników

W książce omówiono znaczenie ochrony prywatności użytkowników w uczeniu maszynowym, szczególnie w świetle rosnących regulacji. Podkreśla, że nie ma jednego uniwersalnego rozwiązania i przedstawia różne studia przypadków i podejścia do poruszania kwestii prywatności.

Książka oferuje cenny wgląd w ochronę prywatności w uczeniu maszynowym, wspiera swoje argumenty studiami przypadków i podkreśla potrzebę dopasowanych rozwiązań w zakresie prywatności, a nie uniwersalnego podejścia.

Recenzja nie wspomina o żadnych konkretnych wadach, ale może sugerować złożoność we wdrażaniu różnych podejść lub potencjalne wyzwania w równoważeniu prywatności z potrzebami danych.

(na podstawie 1 opinii czytelników)

Oryginalny tytuł:

Privacy-Preserving Machine Learning

Zawartość książki:

Dbaj o bezpieczeństwo wrażliwych danych użytkowników bez poświęcania wydajności i dokładności modeli uczenia maszynowego.

Uczenie maszynowe chroniące prywatność Privacy Preserving Machine Learning to:

⬤ Zagadnienia prywatności w uczeniu maszynowym.

⬤ Różnicowe techniki prywatności dla uczenia maszynowego.

⬤ Generowanie danych syntetycznych z zachowaniem prywatności.

⬤ Technologie zwiększające prywatność dla eksploracji danych i aplikacji bazodanowych.

⬤ Kompresywna prywatność w uczeniu maszynowym.

Privacy-Preserving Machine Learning to kompleksowy przewodnik pozwalający uniknąć naruszeń danych w projektach uczenia maszynowego. Zapoznasz się z nowoczesnymi technikami zwiększania prywatności, takimi jak prywatność różnicowa, prywatność kompresywna i generowanie danych syntetycznych. W oparciu o wieloletnie badania nad cyberbezpieczeństwem finansowane przez DARPA, inżynierowie ML na wszystkich poziomach umiejętności skorzystają z włączenia tych praktyk ochrony prywatności do rozwoju swoich modeli. Zanim skończysz czytać, będziesz w stanie tworzyć systemy uczenia maszynowego, które chronią prywatność użytkowników bez poświęcania jakości danych i wydajności modelu.

Zakup książki drukowanej obejmuje bezpłatny eBook w formatach PDF, Kindle i ePub od Manning Publications.

O technologii

Aplikacje uczenia maszynowego wymagają ogromnych ilości danych. Od Ciebie zależy, czy poufne informacje w tych zestawach danych będą prywatne i bezpieczne. Ochrona prywatności ma miejsce na każdym etapie procesu ML, od gromadzenia i pozyskiwania danych po opracowywanie i wdrażanie modeli. Ta praktyczna książka uczy umiejętności potrzebnych do zabezpieczenia potoków danych od końca do końca.

O książce

Privacy-Preserving Machine Learning bada techniki ochrony prywatności poprzez rzeczywiste przypadki użycia w rozpoznawaniu twarzy, przechowywaniu danych w chmurze i nie tylko. Dowiesz się o praktycznych implementacjach, które możesz wdrożyć już teraz, przyszłych wyzwaniach związanych z prywatnością oraz o tym, jak dostosować istniejące technologie do swoich potrzeb. Zdobyte umiejętności pozwolą ci stworzyć kompletny projekt platformy bezpieczeństwa danych, który rozwiniesz w ostatnim rozdziale.

What's Inside

⬤ Techniki prywatności różnicowej i kompresyjnej.

⬤ Prywatność dla estymacji częstotliwości lub średniej, naiwny klasyfikator Bayesa i głębokie uczenie.

⬤ Generowanie danych syntetycznych z zachowaniem prywatności.

⬤ Zwiększona prywatność dla eksploracji danych i aplikacji bazodanowych.

O Czytelniku

Dla inżynierów i programistów uczenia maszynowego. Przykłady w Pythonie i Javie.

O autorze

J. Morris Chang jest profesorem na Uniwersytecie Południowej Florydy. Jego projekty badawcze były finansowane przez DARPA i DoD. Di Zhuang jest inżynierem ds. bezpieczeństwa w Snap Inc. Dumindu Samaraweera jest adiunktem na Uniwersytecie Południowej Florydy. Redaktor techniczny tej książki, Wilko Henecka, jest starszym inżynierem oprogramowania w Ambiata, gdzie tworzy oprogramowanie chroniące prywatność.

Spis treści

CZĘŚĆ 1 - PODSTAWY UCZENIA MASZYNOWEGO Z ZACHOWANIEM PRYWATNOŚCI I PRYWATNOŚCI RÓŻNICOWEJ

1 Kwestie prywatności w uczeniu maszynowym.

2 Prywatność różnicowa w uczeniu maszynowym.

3 Zaawansowane koncepcje prywatności różnicowej w uczeniu maszynowym.

CZĘŚĆ 2 - LOKALNA PRYWATNOŚĆ RÓŻNICOWA I GENEROWANIE DANYCH SYNTETYCZNYCH

4 Lokalna prywatność różnicowa w uczeniu maszynowym.

5 Zaawansowane mechanizmy LDP dla uczenia maszynowego.

6 Generowanie danych syntetycznych z zachowaniem prywatności.

CZĘŚĆ 3 - TWORZENIE APLIKACJI UCZENIA MASZYNOWEGO ZAPEWNIAJĄCYCH PRYWATNOŚĆ

7 Techniki eksploracji danych z zachowaniem prywatności.

8 Zarządzanie danymi i operacje z zachowaniem prywatności.

9 Kompresywna prywatność w uczeniu maszynowym.

10 Łączenie wszystkiego razem: Projektowanie platformy z ochroną prywatności (DataHub)