Értékelés:
A könyv tárgyalja a felhasználói adatvédelem fontosságát a gépi tanulásban, különösen az egyre szigorodó szabályozás fényében. Hangsúlyozza, hogy nem létezik egyféle megoldás, és különböző esettanulmányokat és megközelítéseket mutat be az adatvédelmi aggályok kezelésére.
Előnyök:A könyv értékes betekintést nyújt a gépi tanulással kapcsolatos adatvédelembe, érveit esettanulmányokkal támasztja alá, és rávilágít arra, hogy az egyméretű megközelítés helyett személyre szabott adatvédelmi megoldásokra van szükség.
Hátrányok:Az áttekintés nem említ konkrét hátrányokat, de utalhat a különböző megközelítések végrehajtásának összetettségére vagy a magánélet és az adatigények közötti egyensúly megteremtésének lehetséges kihívásaira.
(1 olvasói vélemény alapján)
Privacy-Preserving Machine Learning
Tartsa biztonságban az érzékeny felhasználói adatokat anélkül, hogy feláldozná a gépi tanulási modellek teljesítményét és pontosságát.
A Privacy Preserving Machine Learning című könyvben megtanulhatja:
⬤ A gépi tanulással kapcsolatos adatvédelmi megfontolások.
⬤ Különböző adatvédelmi technikák a gépi tanuláshoz.
⬤ Szintetikus adatok generálása az adatvédelem megőrzése érdekében.
⬤ Az adatbányászati és adatbázis-alkalmazások adatvédelmi védelmét növelő technológiák.
⬤ Kompresszív adatvédelem a gépi tanulásban.
A Privacy-Preserving Machine Learning egy átfogó útmutató az adatok megsértésének elkerüléséhez a gépi tanulási projektjeiben. Megismerkedhet az olyan modern, adatvédelmet fokozó technikákkal, mint a differenciális adatvédelem, a tömörített adatvédelem és a szintetikus adatgenerálás. A DARPA által finanszírozott, többéves kiberbiztonsági kutatások alapján az ML mérnökök minden tudásszintjén hasznot húzhatnak abból, ha ezeket az adatvédelemmel kapcsolatos gyakorlatokat beépítik modelljeik fejlesztésébe. Mire befejezi az olvasást, képes lesz olyan gépi tanulási rendszereket létrehozni, amelyek az adatminőség és a modellteljesítmény feláldozása nélkül megőrzik a felhasználói adatvédelmet.
A nyomtatott könyv megvásárlása magában foglalja a Manning Publications ingyenes e-könyvét PDF, Kindle és ePub formátumban.
A technológiáról
A gépi tanulási alkalmazásokhoz hatalmas mennyiségű adatra van szükség. Az Ön feladata, hogy az ezekben az adathalmazokban található érzékeny információkat bizalmasan és biztonságosan kezelje. Az adatvédelem az ML-folyamat minden egyes pontján megtörténik, az adatgyűjtéstől és -beviteltől a modellfejlesztésig és a telepítésig. Ez a gyakorlatias könyv megtanítja azokat a készségeket, amelyekre szüksége lesz ahhoz, hogy az adatpipeline-okat végponttól végpontig biztonságossá tegye.
A könyvről
A Privacy-Preserving Machine Learning az arcfelismerés, a felhőalapú adattárolás és egyéb valós felhasználási eseteken keresztül vizsgálja az adatvédelem megőrzésének technikáit. Megismerheti a már most bevezethető gyakorlati megvalósításokat, a jövőbeli adatvédelmi kihívásokat, és megtudhatja, hogyan igazíthatja a meglévő technológiákat az Ön igényeihez. Az új készségei egy teljes biztonsági adatplatform-projekt felé épülnek, amelyet az utolsó fejezetben fejleszt ki.
What's Inside
⬤ Differenciális és tömörítő adatvédelmi technikák.
⬤ A gyakorisági vagy átlagbecslés, naiv Bayes osztályozó és mélytanulás adatvédelmi szempontjai.
⬤ Szintetikus adatok generálása az adatvédelem megőrzésével.
⬤ Továbbfejlesztett adatvédelem adatbányászati és adatbázis-alkalmazásokhoz.
Az olvasóról
Gépi tanulással foglalkozó mérnökök és fejlesztők számára. Példák Python és Java nyelven.
A szerzőről
J. Morris Chang a Dél-Floridai Egyetem professzora. Kutatási projektjeit a DARPA és a Védelmi Minisztérium finanszírozta. Di Zhuang a Snap Inc. biztonsági mérnöke. Dumindu Samaraweera a Dél-Floridai Egyetem adjunktusa. A könyv technikai szerkesztője, Wilko Henecka az Ambiata vezető szoftvermérnöke, ahol adatvédelmi szoftvereket készít.
Tartalomjegyzék
1. RÉSZ - AZ ADATVÉDELMET MEGŐRZŐ GÉPI TANULÁS ALAPJAI DIFFERENCIÁLIS ADATVÉDELEMMEL
1 Adatvédelmi megfontolások a gépi tanulásban.
2 Differenciális adatvédelem a gépi tanulásban.
3 A gépi tanulás differenciális adatvédelmének haladó fogalmai.
2. RÉSZ - LOKÁLIS DIFFERENCIÁLIS ADATVÉDELEM ÉS SZINTETIKUS ADATOK GENERÁLÁSA
4 Helyi differenciális adatvédelem a gépi tanulásban.
5 Fejlett LDP mechanizmusok gépi tanuláshoz.
6 Adatvédelmet megőrző szintetikus adatok generálása.
3. RÉSZ - ADATVÉDELEMMEL BIZTOSÍTOTT GÉPI TANULÁSI ALKALMAZÁSOK LÉTREHOZÁSA
7 Adatbiztonságot megőrző adatbányászati technikák.
8 Adatvédelmet biztosító adatkezelés és műveletek.
9 Tömörített adatvédelem a gépi tanulásban.
10 Mindent egybevetve: Adatvédelemmel megerősített platform tervezése (DataHub)