Privacy-Preserving Machine Learning : A use-case-driven approach to building and protecting ML pipelines from privacy and security threats
Idioma: inglés
Editorial: Packt Publishing, 2024
- Tapa blanda
- Nuevo
Librería: AHA-BUCH GmbH, Einbeck, AlemaniaAHA-BUCH GmbH
Vendedor de IberLibro desde 14 de agosto de 2006
Condición: Nuevo
EUR 81,37
Cantidad disponible: 1 disponible
Añadir al carritoDescripción del artículo del vendedor
nach der Bestellung gedruckt Neuware - Printed after ordering - Gain hands-on experience in data privacy and privacy-preserving machine learning with open-source ML frameworks, while exploring techniques and algorithms to protect sensitive data from privacy breachesKey Features: Understand machine learning privacy risks and employ machine learning algorithms to safeguard data against breaches Develop and deploy privacy-preserving ML pipelines using open-source frameworks Gain insights into confidential computing and its role in countering memory-based data attacks Purchase of the print or Kindle book includes a free PDF Elektronisches BuchBook Description: 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 attacksWhat You Will Learn: Study data privacy, threats, and attacks across different machine learning phases Explore Uber and Apple cases for applying differential privacy and enhancing data security Discover IID and non-IID data sets as well as data categories Use open-source tools for federated learning (FL) and explore FL algorithms and benchmarks Understand secure multiparty computation with PSI for large data Get up to speed with confidential computation and find out how it helps data in memory attacksWho this book is for: This comprehensive guide is for data scientists, machine learning engineers, and privacy engineers Prerequisites include a working knowledge of mathematics and basic familiarity with at least one ML framework (TensorFlow, PyTorch, or scikit-learn) Practical examples will help you elevate your expertise in privacy-preserving machine learning techniquesTable of Contents Introduction to Data Privacy, Privacy threats and breaches Machine Learning Phases and privacy threats/attacks in each phase Overview of Privacy Preserving Data Analysis and Introduction to Differential Privacy Differential Privacy Algorithms, Pros and Cons Developing Applications with Different Privacy using open source frameworks Need for Federated Learning and implementing Federated Learning using open source frameworks Federated Learning benchmarks, startups and next opportunity Homomorphic Encryption and Secure Multiparty Computation Confidential computing - what, why and current state Privacy Preserving in Large Language Models.…
N° de ref. del artículo 9781800564671
- Título
- Privacy-Preserving Machine Learning : A use-case-driven approach to building and protecting ML pipelines from privacy and security threats
- Autor
- Srinivasa Rao Aravilli
- Editorial
- Packt Publishing
- Año de publicación
- 2024
- Estado
- Neu
- Encuadernación
- Taschenbuch
- Idioma
- inglés
- ISBN 10
- 1800564678
- ISBN 13
- 9781800564671
- Peso del artículo
- 748 gramos
- Dimensiones
- 235x191x22 mm
Gain hands-on experience in data privacy and privacy-preserving machine learning with open-source ML frameworks, while exploring techniques and algorithms to protect sensitive data from privacy breaches
Key Features
- Understand machine learning privacy risks and employ machine learning algorithms to safeguard data against breaches
- Develop and deploy privacy-preserving ML pipelines using open-source frameworks
- Gain insights into confidential computing and its role in countering memory-based data attacks
- Purchase of the print or Kindle book includes a free PDF eBook
Book Description
– 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
What you will learn
- Study data privacy, threats, and attacks across different machine learning phases
- Explore Uber and Apple cases for applying differential privacy and enhancing data security
- Discover IID and non-IID data sets as well as data categories
- Use open-source tools for federated learning (FL) and explore FL algorithms and benchmarks
- Understand secure multiparty computation with PSI for large data
- Get up to speed with confidential computation and find out how it helps data in memory attacks
Who this book is for
– This comprehensive guide is for data scientists, machine learning engineers, and privacy engineers
– Prerequisites include a working knowledge of mathematics and basic familiarity with at least one ML framework (TensorFlow, PyTorch, or scikit-learn)
– Practical examples will help you elevate your expertise in privacy-preserving machine learning techniques
Table of Contents
- Introduction to Data Privacy, Privacy threats and breaches
- Machine Learning Phases and privacy threats/attacks in each phase
- Overview of Privacy Preserving Data Analysis and Introduction to Differential Privacy
- Differential Privacy Algorithms, Pros and Cons
- Developing Applications with Different Privacy using open source frameworks
- Need for Federated Learning and implementing Federated Learning using open source frameworks
- Federated Learning benchmarks, startups and next opportunity
- Homomorphic Encryption and Secure Multiparty Computation
- Confidential computing - what, why and current state
- Privacy Preserving in Large Language Models
“Sinopsis” puede pertenecer a otra edición de este título.
Acerca del autor
Srinivas Rao Aravilli has 25 years of experience in research and development of software products across various domains (search, ML/AI, distributed computing, privacy, and security). He is a speaker in several technical conferences related to Responsible AI, AIOps, Privacy Engineering, and distributed computing/processing. He published research papers in various journals related to Apache spark, SGX enclaves, SoA, ML/AI. Srinivas graduated with a master's degree in computer applications from Andhra University in 1997. His work history includes the likes of Cisco, Hewlett Packard, BEA, Interwoven. He resides in Bangalore with his wife and two children. Currently he is working as a director, data and AI Platform in Visa.
“Acerca de” puede pertenecer a otra edición de este título.
AHA-BUCH GmbH
Einbeck, Alemania
Vendedor de IberLibro desde 14 de agosto de 2006
Tarifas de envío de Alemania a Estados Unidos de America
| Artículo | De 7 a 10 días hábiles | De 5 a 7 días hábiles |
|---|---|---|
| Primer artículo | EUR 35,00 | EUR 45,00 |
Métodos de pago
- Cheque
- Giro bancario
- PayPal
Descripción de la tienda
Das Unternehmen AHA-BUCH GmbH: Seit der Gründung von AHA-BUCH im Juli 2005 ist unser Hauptziel, zufriedenen Kunden so schnell und so preisgünstig wie möglich ihren Bücherwunsch zu erfüllen. Unsere Firma beschäftigt 16 Mitarbeiter, die nur ein Ziel kennen: den Kunden und seine Wünsche! Auf über 3700 m2 Fläche haben wir über 100.000 Bücher, Modernes Antiquariat und Spiele auf Lager.
Especialidad
Kinderbücher & Kinderhör Casetten, German Books, Software, Natur & Tiere, Ratgeber, Sachbücher, Englische Bücher, Medizin & Gesundheit, Universität & StudiumInformación empresarial del vendedor
AHA-BUCH GmbH
Garlebsen 48
Einbeck, Alemania 37574
Condiciones de venta
IImprint
Información del vendedor
AHA-BUCH GmbH
representado por el director gerente Christel Glass
Garlebsen 48
37574 Einbeck
Alemania
Teléfono: 055639996039
Fax: 055639995974
E-Mail: abebooks@aha-buch.de
USt-IdNr.: DE261904229
Inscrita en el Registro Mercantil Amtsgerichtes Göttingen
Handelsregisternummer HRB 200691
Resolución alternativa de conflictos:
La Comisión Europea proporciona una plataforma para la resolución extrajudicial de litigios en línea (plataforma ODR), a la que se puede acceder en https://ec.europa.eu/odr.
Somos miembros de la iniciativa "FairCommerce" desde el 25.05.2018.
Para obtener más información, consulte www.fair-commerce.de.
Derecho al desistimiento
Si es un consumidor, puede rescindir el contrato de acuerdo con lo siguiente. Por consumidor se entiende cualquier persona física que actúe con fines ajenos a su actividad comercial, empresarial, oficio o profesión.
Información sobre el derecho de desistimiento
Derecho legal de desistimiento
Tiene derecho a rescindir este contrato en un plazo de 14 días sin dar ningún motivo.
El periodo de desistimiento vencerá a los 14 días desde que usted, o un tercero que no sea el transportista e indicado por usted, adquiera la posesión física del último bien o del último lote o pieza.
Para ejercer el derecho de desistimiento, complete de forma electrónica y envíe una declaración clara en nuestro sitio web, desde "Mis compras" en "Mi cuenta". Le enviaremos sin demora un acuse de recibo de dicho desistimiento a través de un soporte duradero (por ejemplo, por correo electrónico).
Para cumplir con el plazo de desistimiento, basta con que envíe su comunicación relativa al ejercicio del derecho de desistimiento antes de que venza el periodo de desistimiento.
Efectos del desistimiento
Si rescinde este contrato, le reembolsaremos todos los pagos que hayamos recibido de usted, incluidos los gastos de envío (excepto los gastos adicionales que surjan si elige un tipo de envío que no sea el tipo de envío estándar más económico que ofrecemos).
Podemos hacer una deducción del reembolso por la pérdida de valor de cualquier bien suministrado, si la pérdida es el resultado de una manipulación innecesaria por su parte.
Efectuaremos el reembolso sin demoras indebidas y, a más tardar, 14 días después de que se nos informe de su decisión de rescindir este contrato.
Efectuaremos el reembolso utilizando el mismo medio de pago que utilizó para la transacción inicial, a menos que haya acordado expresamente lo contrario; en cualquier caso, no incurrirá en ningún cargo como resultado de dicho reembolso.
Podremos retener el reembolso hasta que hayamos recibido los bienes o hasta que nos haya presentado una prueba de que los ha devuelto, lo que ocurra primero.
Deberá devolver los bienes o entregarlos a AHA-BUCH GmbH, Einbeck, Germany, sin demoras indebidas y, en cualquier caso, en un plazo máximo de 14 días a partir del día en que nos comunique su desistimiento del presente contrato. El plazo se cumple si devuelve la mercancía antes de que venza el periodo de 14 días. Tendrá que asumir los gastos directos de devolución de los bienes. Usted solo es responsable de la disminución del valor de los bienes como resultado de una manipulación distinta a la necesaria para establecer la naturaleza, las características y el funcionamiento de los bienes.
Excepciones al derecho de desistimiento
El derecho de desistimiento no se aplica a lo siguiente:
- La entrega de periódicos, diarios o revistas, con la excepción de los contratos de suscripción; y
- El suministro de contenido digital que no se proporcione en un soporte tangible (por ejemplo, en un CD o DVD) si, al hacer el pedido, aceptó que podíamos empezar a entregarlo y que no podría desistir una vez iniciada la entrega.
Condiciones de envío
Enviamos su pedido después de recibirlos
para artículos disponibles las últimas 24 horas,
para artículos con suministro nocturno a más tardar 48 horas.
En caso de que necesitemos pedir un artículo a nuestro proveedor, nuestro tiempo de envío depende de la fecha de recepción de los artículos, pero los artículos se enviarán el mismo día.
Nuestro objetivo es enviar los artículos pedidos de la manera más rápida, pero también más eficiente y segura a nuestros clientes.