Generación práctica de datos sintéticos: Equilibrio entre la privacidad y la amplia disponibilidad de datos

Opiniones de los lectores

El libro no cumple las expectativas de los lectores que buscan un recurso técnico, especialmente en aprendizaje automático, ya que carece de aplicaciones prácticas, ejemplos de codificación y contenido sustancial.

El autor parece tener una gran confianza en su propio trabajo en comparación con este libro, lo que indica que cree que su propio recurso es mucho más completo y valioso.

El libro no es técnico, no contiene código ni fórmulas, tiene escasas referencias, es corto (145 páginas) con imágenes grandes y poco informativas, y no es adecuado para los profesionales del aprendizaje automático.

(basado en 1 opiniones de lectores)

Título original:

Practical Synthetic Data Generation: Balancing Privacy and the Broad Availability of Data

Contenido del libro:

Construir y probar modelos de aprendizaje automático requiere acceder a datos amplios y diversos. Pero, ¿dónde encontrar conjuntos de datos utilizables sin tropezar con problemas de privacidad? Este práctico libro presenta técnicas para generar datos sintéticos -datos falsos generados a partir de datos reales- de modo que pueda realizar análisis secundarios para investigar, comprender los comportamientos de los clientes, desarrollar nuevos productos o generar nuevos ingresos.

Los científicos de datos aprenderán cómo la generación de datos sintéticos proporciona una manera de hacer que dichos datos estén ampliamente disponibles para fines secundarios, al tiempo que se abordan muchas preocupaciones sobre la privacidad. Los analistas aprenderán los principios y pasos para generar datos sintéticos a partir de conjuntos de datos reales. Y los líderes empresariales verán cómo los datos sintéticos pueden ayudar a acelerar el tiempo de creación de un producto o solución.

Este libro describe:

⬤ Pasos para generar datos sintéticos utilizando distribuciones normales multivariantes.

⬤ Métodos para el ajuste de distribuciones que cubren diferentes métricas de bondad de ajuste.

⬤ Cómo replicar la estructura simple de los datos originales.

⬤ Un enfoque para modelar la estructura de los datos para considerar relaciones complejas.

⬤ Múltiples enfoques y métricas que se pueden utilizar para evaluar la utilidad de los datos.

⬤ Cómo se pueden replicar con datos sintéticos los análisis realizados con datos reales.

⬤ Implicaciones de los datos sintéticos para la privacidad y métodos para evaluar la revelación de identidades.