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

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 - okladka książki

Autorzy:: Srinivasa Rao Aravilli, Sam Hamilton
Serie wydawnicze:: Learning
Wydawnictwo:: Packt Publishing (Z chęcią przeczytam książkę w języku polskim)
Ocena:: Bądź pierwszym, który oceni tę książkę
Stron:: 402
Dostępne formaty:: PDF

ePub

Ebook 107,10 zł najniższa cena z 30 dni

~~119,00 zł~~ (-10%)
107,10 zł

Dodaj do koszyka lub Kup na prezent Kup 1-kliknięciem

107,10 zł najniższa cena z 30 dni

Przenieś na półkę

Do przechowalni

Najczęściej kupowane razem

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

Django 5. Praktyczne tworzenie aplikacji internetowych w Pythonie. Wydanie V Antonio Melé

Zaawansowane techniki przetwarzania języka naturalnego. Od podstaw do modeli LLM i zastosowań biznesowych w Pythonie Lior Gazit, Meysam Ghaffari

Cena zestawu: 255.80 zł

Zyskujesz: 101.2 zł (-28%)

Dodaj do koszyka

– 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

Wybrane bestsellery

O autorze książki

Srinivasa Rao Aravilli boasts 27 years of extensive experience in technology, research, and leadership roles, spearheading innovation in various domains such as Information Retrieval, Search, ML/AI, Distributed Computing, Network Analytics, Privacy, and Security. Currently working as a Senior Director of Machine Learning Engineering at Capital One, Bangalore, he has a proven track record of driving new products from conception to outstanding customer success. Prior to his tenure at Capital One, Srinivasa held prominent leadership positions at Visa, Cisco, and Hewlett Packard, where he led product groups focused on data privacy, machine learning, and Generative AI. He holds a Master's Degree in Computer Applications from Andhra University, Visakhapatnam, India.

Zobacz pozostałe książki z serii Learning

Ebooka "Privacy-Preserving Machine Learning. A use-case-driven approach to building and protecting ML pipelines from privacy and security threats" przeczytasz na:

czytnikach Inkbook, Kindle, Pocketbook, Onyx Boox i innych
systemach Windows, MacOS i innych

systemach Windows, Android, iOS, HarmonyOS
na dowolnych urządzeniach i aplikacjach obsługujących formaty: PDF, EPub, Mobi

Masz pytania? Zajrzyj do zakładki Pomoc »

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)

Szczegóły książki

Tytuł oryginału:: Privacy-Preserving Machine Learning. A use-case-driven approach to building and protecting ML pipelines from privacy and security threats
ISBN Ebooka:: 978-18-005-6422-0, 9781800564220
Data wydania ebooka :: 2024-05-24 Data wydania ebooka często jest dniem wprowadzenia tytułu do sprzedaży i może nie być równoznaczna z datą wydania książki papierowej. Dodatkowe informacje możesz znaleźć w darmowym fragmencie. Jeśli masz wątpliwości skontaktuj się z nami sklep@ebookpoint.pl.
Język publikacji:: angielski
Rozmiar pliku Pdf:: 11.4MB
Rozmiar pliku ePub:: 10.3MB

Zgłoś erratę
Serie wydawnicze: Learning

Kategorie

Kliknij, aby zgłosić błędnie przypisaną kategorię »

Informatyka » Programowanie » Python
Informatyka » Biznes IT » Big data » Uczenie maszynowe

Spis treści książki

1. Introduction to Data Privacy, Privacy threats and breaches
2. Machine Learning Phases and privacy threats/attacks in each phase
3. Overview of Privacy Preserving Data Analysis and Introduction to Differential Privacy
4. Differential Privacy Algorithms, Pros and Cons
5. Developing Applications with Different Privacy using open source frameworks
6. Need for Federated Learning and implementing Federated Learning using open source frameworks
7. Federated Learning benchmarks, startups and next opportunity
8. Homomorphic Encryption and Secure Multiparty Computation
9. Confidential computing - what, why and current state
10. Privacy Preserving in Large Language Models

pokaż cały spis treści