Privacy-Preserving Machine Learning. A use-case-driven approach to building and protecting ML pipelines from privacy and security threats Srinivasa Rao Aravilli, Sam Hamilton
(ebook)
(audiobook)
(audiobook)
- Autorzy:
- Srinivasa Rao Aravilli, Sam Hamilton
- Serie wydawnicze:
- Learning
- Wydawnictwo:
- Packt Publishing
- Ocena:
- Stron:
- 402
- Dostępne formaty:
-
PDFePub
Opis
książki
:
Privacy-Preserving Machine Learning. A use-case-driven approach to building and protecting ML pipelines from privacy and security threats
– In an era of evolving privacy regulations, compliance is mandatory for every enterprise
– Machine learning engineers face the dual challenge of analyzing vast amounts of data for insights while protecting sensitive information
– This book addresses the complexities arising from large data volumes and the scarcity of in-depth privacy-preserving machine learning expertise, and covers a comprehensive range of topics from data privacy and machine learning privacy threats to real-world privacy-preserving cases
– As you progress, you’ll be guided through developing anti-money laundering solutions using federated learning and differential privacy
– Dedicated sections will explore data in-memory attacks and strategies for safeguarding data and ML models
– You’ll also explore the imperative nature of confidential computation and privacy-preserving machine learning benchmarks, as well as frontier research in the field
– Upon completion, you’ll possess a thorough understanding of privacy-preserving machine learning, equipping them to effectively shield data from real-world threats and attacks
– Machine learning engineers face the dual challenge of analyzing vast amounts of data for insights while protecting sensitive information
– This book addresses the complexities arising from large data volumes and the scarcity of in-depth privacy-preserving machine learning expertise, and covers a comprehensive range of topics from data privacy and machine learning privacy threats to real-world privacy-preserving cases
– As you progress, you’ll be guided through developing anti-money laundering solutions using federated learning and differential privacy
– Dedicated sections will explore data in-memory attacks and strategies for safeguarding data and ML models
– You’ll also explore the imperative nature of confidential computation and privacy-preserving machine learning benchmarks, as well as frontier research in the field
– Upon completion, you’ll possess a thorough understanding of privacy-preserving machine learning, equipping them to effectively shield data from real-world threats and attacks
Wybrane bestsellery
Zobacz pozostałe książki z serii Learning
Packt Publishing - inne książki
Dzięki opcji "Druk na żądanie" do sprzedaży wracają tytuły Grupy Helion, które cieszyły sie dużym zainteresowaniem, a których nakład został wyprzedany.
Dla naszych Czytelników wydrukowaliśmy dodatkową pulę egzemplarzy w technice druku cyfrowego.
Co powinieneś wiedzieć o usłudze "Druk na żądanie":
- usługa obejmuje tylko widoczną poniżej listę tytułów, którą na bieżąco aktualizujemy;
- cena książki może być wyższa od początkowej ceny detalicznej, co jest spowodowane kosztami druku cyfrowego (wyższymi niż koszty tradycyjnego druku offsetowego). Obowiązująca cena jest zawsze podawana na stronie WWW książki;
- zawartość książki wraz z dodatkami (płyta CD, DVD) odpowiada jej pierwotnemu wydaniu i jest w pełni komplementarna;
- usługa nie obejmuje książek w kolorze.
Masz pytanie o konkretny tytuł? Napisz do nas: sklep@helion.pl
Proszę wybrać ocenę!
Proszę wpisać opinię!
Książka drukowana
Proszę czekać...
Oceny i opinie klientów: Privacy-Preserving Machine Learning. A use-case-driven approach to building and protecting ML pipelines from privacy and security threats Srinivasa Rao Aravilli, Sam Hamilton (0) Weryfikacja opinii następuję na podstawie historii zamówień na koncie Użytkownika umieszczającego opinię. Użytkownik mógł otrzymać punkty za opublikowanie opinii uprawniające do uzyskania rabatu w ramach Programu Punktowego.