Bewertung:
Das Buch erörtert die Bedeutung des Schutzes der Privatsphäre der Nutzer beim maschinellen Lernen, insbesondere im Hinblick auf die zunehmenden Vorschriften. Es wird betont, dass es keine Einheitslösung gibt, und es werden verschiedene Fallstudien und Ansätze zur Bewältigung von Datenschutzproblemen vorgestellt.
Vorteile:Das Buch bietet wertvolle Einblicke in den Schutz der Privatsphäre beim maschinellen Lernen, untermauert seine Argumente mit Fallstudien und unterstreicht die Notwendigkeit maßgeschneiderter Lösungen für den Schutz der Privatsphäre anstelle eines Einheitsansatzes für alle.
Nachteile:Die Rezension erwähnt keine spezifischen Nachteile, könnte aber auf die Komplexität bei der Umsetzung verschiedener Ansätze oder auf potenzielle Herausforderungen bei der Abwägung zwischen Datenschutz und Datenbedarf hinweisen.
(basierend auf 1 Leserbewertungen)
Privacy-Preserving Machine Learning
Bewahren Sie sensible Nutzerdaten sicher und geschützt auf, ohne die Leistung und Genauigkeit Ihrer maschinellen Lernmodelle zu beeinträchtigen.
In Privacy Preserving Machine Learning lernen Sie:
⬤ Privatsphärenüberlegungen beim maschinellen Lernen.
⬤ Differenzielle Datenschutztechniken für maschinelles Lernen.
⬤ Erzeugung synthetischer Daten unter Wahrung der Privatsphäre.
⬤ Technologien zur Verbesserung der Privatsphäre für Data Mining und Datenbankanwendungen.
⬤ Komprimierter Datenschutz für maschinelles Lernen.
Privacy-Preserving Machine Learning ist ein umfassender Leitfaden zur Vermeidung von Datenverletzungen in Ihren Machine-Learning-Projekten. Sie lernen moderne Techniken zur Verbesserung der Privatsphäre kennen, wie z. B. differentielle Privatsphäre, kompressive Privatsphäre und die Erzeugung synthetischer Daten. Basierend auf jahrelanger, von der DARPA finanzierter Cybersicherheitsforschung werden ML-Ingenieure aller Qualifikationsstufen davon profitieren, diese datenschutzfreundlichen Praktiken in ihre Modellentwicklung zu integrieren. Wenn Sie das Buch gelesen haben, werden Sie in der Lage sein, maschinelle Lernsysteme zu erstellen, die die Privatsphäre der Benutzer schützen, ohne die Datenqualität und die Modellleistung zu beeinträchtigen.
Der Kauf des gedruckten Buches beinhaltet ein kostenloses eBook im PDF-, Kindle- und ePub-Format von Manning Publications.
Über die Technologie
Anwendungen für maschinelles Lernen benötigen riesige Datenmengen. Es liegt an Ihnen, die sensiblen Informationen in diesen Datensätzen privat und sicher zu halten. Der Schutz der Privatsphäre findet an jedem Punkt des ML-Prozesses statt, von der Datenerfassung und -eingabe bis hin zur Modellentwicklung und -bereitstellung. Dieses praktische Buch vermittelt Ihnen die Fähigkeiten, die Sie benötigen, um Ihre Datenpipelines von Anfang bis Ende zu sichern.
Über das Buch
Privacy-Preserving Machine Learning erforscht Techniken zum Schutz der Privatsphäre anhand von realen Anwendungsfällen in der Gesichtserkennung, Cloud-Datenspeicherung und mehr. Sie erfahren mehr über praktische Implementierungen, die Sie jetzt einsetzen können, über zukünftige Herausforderungen im Bereich Datenschutz und darüber, wie Sie bestehende Technologien an Ihre Bedürfnisse anpassen können. Ihre neuen Fähigkeiten bauen auf ein komplettes Sicherheitsdatenplattform-Projekt auf, das Sie im letzten Kapitel entwickeln.
Was ist drin?
⬤ Differenzielle und komprimierende Datenschutztechniken.
⬤ Privatsphäre für Häufigkeits- oder Mittelwertschätzungen, Naive Bayes-Klassifikatoren und Deep Learning
⬤ Generierung synthetischer Daten unter Wahrung der Privatsphäre.
⬤ Verbesserter Datenschutz für Data Mining und Datenbankanwendungen.
(Über den Leser)
Für Ingenieure und Entwickler des maschinellen Lernens. Beispiele in Python und Java.
Über den Autor
J. Morris Chang ist Professor an der Universität von Südflorida. Seine Forschungsprojekte wurden von der DARPA und dem Verteidigungsministerium finanziert. Di Zhuang ist ein Sicherheitsingenieur bei Snap Inc. Dumindu Samaraweera ist Assistenzprofessor für Forschung an der Universität von Südflorida. Der technische Redakteur dieses Buches, Wilko Henecka, ist ein leitender Software-Ingenieur bei Ambiata, wo er Software zur Wahrung der Privatsphäre entwickelt.
Inhaltsverzeichnis
TEIL 1 - GRUNDLAGEN DES DATENSCHUTZFREUNDLICHEN MASCHINELLEN LERNENS MIT DIFFERENTIELLER PRIVATSPHÄRE
1 Überlegungen zur Privatsphäre beim maschinellen Lernen.
2 Differenzielle Privatsphäre für maschinelles Lernen.
3 Fortgeschrittene Konzepte der differenziellen Privatsphäre für maschinelles Lernen.
TEIL 2 - LOKALE DIFFERENTIELLE PRIVATSPHÄRE UND ERZEUGUNG SYNTHETISCHER DATEN
4 Lokale differentielle Privatsphäre für maschinelles Lernen.
5 Fortgeschrittene LDP-Mechanismen für das maschinelle Lernen.
6 Erzeugung synthetischer Daten unter Wahrung der Privatsphäre.
TEIL 3 - AUFBAU VON ANWENDUNGEN FÜR MASCHINELLES LERNEN, DIE DIE PRIVATSPHÄRE SCHÜTZEN.
7 Privatsphäre-erhaltende Data-Mining-Techniken.
8 Privacy-preserving data management and operations.
9 Komprimierte Privatsphäre für maschinelles Lernen.
10 Das Ganze zusammenfügen: Entwurf einer datenschutzfreundlichen Plattform (DataHub)
| ISBN: | 9781617298042 |
| Autor: | |
| Verlag: | |
| Sprache: | Englisch |
| Einband: | Taschenbuch |
| Erscheinungsjahr: | 2023 |
| Seitenzahl: | 300 |
Derzeit verfügbar, auf Lager.
