Avis des lecteurs
Résumé:Cet ouvrage traite de l'importance de la protection de la vie privée des utilisateurs dans le domaine de l'apprentissage automatique, en particulier à la lumière des réglementations de plus en plus nombreuses. Il souligne qu'il n'existe pas de solution unique et fournit diverses études de cas et approches pour répondre aux préoccupations en matière de protection de la vie privée.
Avantages:L'ouvrage offre des informations précieuses sur la protection de la vie privée dans l'apprentissage automatique, étaye ses arguments par des études de cas et souligne la nécessité de trouver des solutions personnalisées en matière de protection de la vie privée plutôt que d'adopter une approche unique.
Inconvénients:L'examen ne mentionne pas d'inconvénients particuliers, mais pourrait impliquer une complexité dans la mise en œuvre de diverses approches ou des défis potentiels dans l'équilibre entre la protection de la vie privée et les besoins en matière de données.
(basé sur 1 avis de lecteurs)
Titre original :
Privacy-Preserving Machine Learning
Contenu du livre :
Gardez les données sensibles des utilisateurs en sécurité sans sacrifier la performance et la précision de vos modèles d'apprentissage automatique.
Dans Privacy Preserving Machine Learning, vous apprendrez :
⬤ Les considérations de confidentialité dans l'apprentissage automatique.
⬤ Les techniques de confidentialité différentielle pour l'apprentissage automatique.
⬤ La génération de données synthétiques préservant la vie privée.
⬤ Les technologies d'amélioration de la confidentialité pour les applications d'exploration de données et de bases de données.
Les technologies d'amélioration de la confidentialité pour les applications d'exploration de données et de bases de données ⬤ La confidentialité compressive pour l'apprentissage automatique
Privacy-Preserving Machine Learning est un guide complet pour éviter les violations de données dans vos projets d'apprentissage automatique. Vous vous familiariserez avec les techniques modernes d'amélioration de la confidentialité telles que la confidentialité différentielle, la confidentialité compressive et la génération de données synthétiques. S'appuyant sur des années de recherche sur la cybersécurité financée par la DARPA, les ingénieurs en apprentissage automatique de tous niveaux bénéficieront de l'intégration de ces pratiques de préservation de la vie privée dans le développement de leurs modèles. À la fin de votre lecture, vous serez en mesure de créer des systèmes d'apprentissage automatique qui préservent la vie privée des utilisateurs sans sacrifier la qualité des données et les performances des modèles.
L'achat du livre imprimé inclut un livre électronique gratuit aux formats PDF, Kindle et ePub de Manning Publications.
À propos de la technologie
Les applications d'apprentissage automatique ont besoin de quantités massives de données. Il vous appartient de préserver la confidentialité et la sécurité des informations sensibles contenues dans ces ensembles de données. La préservation de la confidentialité intervient à chaque étape du processus d'apprentissage automatique, depuis la collecte et l'ingestion des données jusqu'au développement et au déploiement des modèles. Ce livre pratique vous enseigne les compétences dont vous aurez besoin pour sécuriser vos pipelines de données de bout en bout.
À propos du livre
Privacy-Preserving Machine Learning explore les techniques de préservation de la vie privée à travers des cas d'utilisation réels dans la reconnaissance faciale, le stockage de données dans le cloud, et plus encore. Vous découvrirez les implémentations pratiques que vous pouvez déployer dès maintenant, les défis futurs en matière de confidentialité et la manière d'adapter les technologies existantes à vos besoins. Vos nouvelles compétences vous permettront d'élaborer un projet complet de plateforme de données de sécurité, que vous développerez dans le dernier chapitre.
Contenu
⬤ Techniques de confidentialité différentielle et compressive.
⬤ La confidentialité pour l'estimation de la fréquence ou de la moyenne, le classificateur de Bayes naïf et l'apprentissage profond.
⬤ Génération de données synthétiques préservant la confidentialité.
⬤ Confidentialité améliorée pour les applications d'exploration de données et de bases de données.
A propos du lecteur
Pour les ingénieurs et les développeurs en apprentissage automatique. Exemples en Python et Java.
A propos de l'auteur
J. Morris Chang est professeur à l'université de Floride du Sud. Ses projets de recherche ont été financés par le DARPA et le DoD. Di Zhuang est ingénieur en sécurité chez Snap Inc. Dumindu Samaraweera est professeur adjoint de recherche à l'université de Floride du Sud. L'éditeur technique de cet ouvrage, Wilko Henecka, est ingénieur logiciel senior chez Ambiata où il conçoit des logiciels préservant la vie privée.
Table des matières
PARTIE 1 - BASES DE L'APPRENTISSAGE AUTOMATIQUE PRÉSERVANT LA VIE PRIVÉE AVEC LA CONFIDENTIALITÉ DIFFÉRENTIELLE
1 Considérations sur la protection de la vie privée dans l'apprentissage automatique.
2 Confidentialité différentielle pour l'apprentissage automatique.
3 Concepts avancés de confidentialité différentielle pour l'apprentissage automatique.
PARTIE 2 - CONFIDENTIALITÉ DIFFÉRENTIELLE LOCALE ET GÉNÉRATION DE DONNÉES SYNTHÉTIQUES
4 Confidentialité différentielle locale pour l'apprentissage automatique.
5 Mécanismes avancés de confidentialité différentielle locale pour l'apprentissage automatique.
6 Génération de données synthétiques préservant la vie privée.
PARTIE 3 - CRÉATION D'APPLICATIONS D'APPRENTISSAGE AUTOMATIQUE GARANTISSANT LA CONFIDENTIALITÉ
7 Techniques d'exploration de données préservant la vie privée.
8 Gestion des données et opérations préservant la confidentialité.
9 Confidentialité compressive pour l'apprentissage automatique.
10 Tout mettre en place : Conception d'une plateforme respectueuse de la vie privée (DataHub)
Autres informations sur le livre :
| ISBN : | 9781617298042 |
| Auteur : | |
| Éditeur : | |
| Langue : | anglais |
| Reliure : | Broché |
| Année de publication : | 2023 |
| Nombre de pages : | 300 |
Achat:
Actuellement disponible, en stock.
