Aprendizaje automático para preservar la intimidad

Opiniones de los lectores

El libro analiza la importancia de proteger la privacidad de los usuarios en el aprendizaje automático, sobre todo a la luz de la creciente normativa. Destaca que no existe una solución única para todos los casos y ofrece diversos estudios de casos y enfoques para resolver los problemas de privacidad.

El libro ofrece valiosas ideas sobre la protección de la privacidad en el aprendizaje automático, apoya sus argumentos con estudios de casos y destaca la necesidad de soluciones de privacidad a medida en lugar de un enfoque único.

La reseña no menciona ningún inconveniente específico, pero podría implicar una complejidad en la aplicación de diversos enfoques o posibles retos a la hora de equilibrar la privacidad con las necesidades de datos.

(basado en 1 opiniones de lectores)

Título original:

Privacy-Preserving Machine Learning

Contenido del libro:

Mantenga seguros los datos confidenciales de los usuarios sin sacrificar el rendimiento y la precisión de sus modelos de aprendizaje automático.

En Privacy Preserving Machine Learning, aprenderá:

⬤ Consideraciones de privacidad en el aprendizaje automático.

⬤ Técnicas de privacidad diferencial para el aprendizaje automático.

⬤ Generación de datos sintéticos que preservan la privacidad.

⬤ Tecnologías de mejora de la privacidad para la minería de datos y aplicaciones de bases de datos.

⬤ Privacidad compresiva para el aprendizaje automático.

Privacy-Preserving Machine Learning es una guía completa para evitar la violación de datos en sus proyectos de aprendizaje automático. Conocerá técnicas modernas de mejora de la privacidad, como la privacidad diferencial, la privacidad compresiva y la generación de datos sintéticos. Basándose en años de investigación sobre ciberseguridad financiada por DARPA, los ingenieros de ML de todos los niveles se beneficiarán de la incorporación de estas prácticas de preservación de la privacidad en el desarrollo de sus modelos. Cuando termine de leerlo, será capaz de crear sistemas de aprendizaje automático que preserven la privacidad del usuario sin sacrificar la calidad de los datos ni el rendimiento del modelo.

La compra del libro impreso incluye un libro electrónico gratuito en formato PDF, Kindle y ePub de Manning Publications.

Acerca de la tecnología

Las aplicaciones de aprendizaje automático necesitan cantidades ingentes de datos. De usted depende mantener la privacidad y la seguridad de la información confidencial contenida en esos conjuntos de datos. La preservación de la privacidad se produce en todos los puntos del proceso de ML, desde la recopilación e ingesta de datos hasta el desarrollo y despliegue de modelos. Este libro práctico le enseña las habilidades que necesitará para proteger sus canalizaciones de datos de principio a fin.

Acerca del libro

Privacy-Preserving Machine Learning explora las técnicas de preservación de la privacidad a través de casos de uso del mundo real en reconocimiento facial, almacenamiento de datos en la nube y más. Aprenderá sobre implementaciones prácticas que puede realizar ahora, futuros retos de privacidad y cómo adaptar las tecnologías existentes a sus necesidades. Sus nuevos conocimientos le ayudarán a desarrollar un proyecto completo de plataforma de datos de seguridad en el último capítulo.

Contenido

⬤ Técnicas de privacidad diferencial y compresiva.

⬤ Privacidad para estimación de frecuencia o media, clasificador Bayes ingenuo y aprendizaje profundo.

⬤ Generación de datos sintéticos preservando la privacidad.

⬤ Privacidad mejorada para aplicaciones de minería de datos y bases de datos.

Sobre el lector

Para ingenieros y desarrolladores de aprendizaje automático. Ejemplos en Python y Java.

Sobre el autor

J. Morris Chang es profesor de la Universidad del Sur de Florida. Sus proyectos de investigación han sido financiados por DARPA y el Departamento de Defensa. Di Zhuang es ingeniero de seguridad en Snap Inc. Dumindu Samaraweera es profesor asistente de investigación en la Universidad del Sur de Florida. El editor técnico de este libro, Wilko Henecka, es ingeniero de software sénior en Ambiata, donde crea software para preservar la privacidad.

Índice

PARTE 1 - FUNDAMENTOS DEL APRENDIZAJE AUTOMÁTICO CON PRESERVACIÓN DE LA PRIVACIDAD CON PRIVACIDAD DIFERENCIAL

1 Consideraciones sobre la privacidad en el aprendizaje automático.

2 Privacidad diferencial para el aprendizaje automático.

3 Conceptos avanzados de privacidad diferencial para el aprendizaje automático.

PARTE 2 - PRIVACIDAD DIFERENCIAL LOCAL Y GENERACIÓN DE DATOS SINTÉTICOS.

4 Privacidad diferencial local para el aprendizaje automático.

5 Mecanismos avanzados de PLD para el aprendizaje automático.

6 Generación de datos sintéticos que preservan la privacidad.

PARTE 3 - CREACIÓN DE APLICACIONES DE APRENDIZAJE AUTOMÁTICO CON PRIVACIDAD GARANTIZADA.

7 Técnicas de minería de datos con privacidad preservada.

8 Gestión y operaciones de datos con privacidad preservada.

9 Privacidad compresiva para el aprendizaje automático.

10 Puesta en común: Diseño de una plataforma de privacidad mejorada (DataHub)