Privacy-Preserving Machine Learning : A use-case-driven approach to building and protecting ML pipelines from privacy and security threats
Lingua: inglese
Editore: Packt Publishing, 2024
- Brossura
- Nuovo
Da: AHA-BUCH GmbH, Einbeck, GermaniaAHA-BUCH GmbH
Venditore AbeBooks dal 14 agosto 2006
Condizione: Nuovo
EUR 81,37
Quantità: 1 disponibile
Aggiungi al carrelloDescrizione dell’articolo da parte del venditore
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.…
Codice articolo 9781800564671
- Titolo
- Privacy-Preserving Machine Learning : A use-case-driven approach to building and protecting ML pipelines from privacy and security threats
- Autore
- Srinivasa Rao Aravilli
- Editore
- Packt Publishing
- Anno di pubblicazione
- 2024
- Condizione
- Neu
- Rilegatura
- Taschenbuch
- Lingua
- inglese
- ISBN 10
- 1800564678
- ISBN 13
- 9781800564671
- Peso dell'articolo
- 748 grammi
- Dimensioni
- 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
"Riassunto" può appartenere a un’altra edizione di questo titolo.
Informazioni sull’autore
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.
"Descrizione articolo" può appartenere a un’altra edizione di questo titolo.
AHA-BUCH GmbH
Einbeck, Germania
Venditore AbeBooks dal 14 agosto 2006
Tariffe di spedizione da Germania a U.S.A.
| Articolo | Da 7 a 10 giorni lavorativi | Da 5 a 7 giorni lavorativi |
|---|---|---|
| Primo articolo | EUR 35,00 | EUR 45,00 |
Metodi di pagamento
- Assegno
- Bonifico bancario
- PayPal
Descrizione dello Store
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.
Specializzazione
Kinderbücher & Kinderhör Casetten, German Books, Software, Natur & Tiere, Ratgeber, Sachbücher, Englische Bücher, Medizin & Gesundheit, Universität & StudiumInformazioni sull’azienda del venditore
AHA-BUCH GmbH
Garlebsen 48
Einbeck, Germania 37574
Condizioni di vendita
Imprimere
Informazioni sul venditore:
AHA-BUCH GmbH
rappresentata dall'amministratore delegato Christel Glass
Garlebsen 48
37574 Einbeck
Germania
Telefono: 055639996039
Fax: 055639995974
E-Mail: abebooks@aha-buch.de
USt-IdNr.: DE261904229
registrato presso Registro delle imprese Amtsgerichtes Göttingen
Handelsregisternummer HRB 200691
Risoluzione alternativa delle controversie:
La Commissione europea fornisce una piattaforma per la risoluzione extragiudiziale delle controversie online (piattaforma ODR), accessibile nell'ambito di https://ec.europa.eu/odr.
Siamo membri dell'iniziativa "FairCommerce" dal 25.05.2018.
Per ulteriori informazioni, vedere www.fair-commerce.de.
Diritto di recesso
Se sei un consumatore puoi recedere dal contratto in conformità con quanto segue. Per Consumatore si intende qualsiasi persona fisica che agisce per scopi estranei alla propria attività commerciale, imprenditoriale, artigianale o professionale.
Informazioni sul diritto di recesso
Diritto legale di recesso
Hai il diritto di recedere dal presente contratto entro 14 giorni senza fornire alcuna motivazione.
Il periodo di recesso scade dopo 14 giorni dal giorno in cui tu o una terza parte, diversa dal vettore e da te indicata, acquisisce il possesso fisico dell'ultimo bene o dell'ultimo lotto o pezzo.
Per esercitare il diritto di recesso, compila e invia elettronicamente una dichiarazione esplicita sul nostro sito Web, alla voce “I miei acquisti” nella sezione “Mio account”. Ti comunicheremo senza indugio una conferma di ricezione di tale recesso su un supporto durevole (ad es. via e-mail).
Per rispettare il termine di recesso, è sufficiente inviare la comunicazione relativa all'esercizio del diritto di recesso prima della scadenza del periodo di recesso stesso.
Effetti del recesso
In caso di recesso dal presente contratto, ti rimborseremo tutti i pagamenti ricevuti, compresi i costi di spedizione (ad eccezione dei costi supplementari derivanti dalla tua eventuale scelta di un tipo di spedizione diverso dal tipo meno costoso di consegna standard da noi offerto).
Potremo effettuare una detrazione dal rimborso per la perdita di valore dei beni forniti, qualora tale perdita sia il risultato di una manipolazione non necessaria da parte tua.
Eseguiremo il rimborso senza indebito ritardo e non oltre 14 giorni dal giorno in cui saremo informati della tua decisione di recedere dal presente contratto.
Il rimborso sarà effettuato utilizzando lo stesso mezzo di pagamento da te usato per la transazione iniziale, salvo che tu non abbia espressamente concordato altrimenti; in ogni caso, non dovrai sostenere alcun costo quale conseguenza di tale rimborso.
Possiamo trattenere il rimborso finché non avremo ricevuto i beni oppure finché non avrai fornito la prova di averli rispediti, a seconda di quale condizione si verifichi per prima.
Dovrai rispedire i beni o consegnarli a AHA-BUCH GmbH, Einbeck, Germany, senza indebito ritardo e, in ogni caso, entro 14 giorni dal giorno in cui ci hai comunicato la tua volontà di recedere dal presente contratto. Il termine è rispettato se rispedisci i beni prima della scadenza del periodo di 14 giorni. I costi diretti della restituzione dei beni saranno a tuo carico. Sei responsabile solo della diminuzione del valore dei beni risultante da una manipolazione diversa da quella necessaria per stabilire la natura, le caratteristiche e il funzionamento dei beni stessi.
Eccezioni al diritto di recesso
Il diritto di recesso non si applica a:
- La fornitura di giornali, periodici o riviste ad eccezione dei contratti di abbonamento; e
- La fornitura di contenuto digitale non fornito su un supporto materiale (ad es. su un CD o DVD), se al momento dell'invio dell'ordine hai accettato l'inizio dell'esecuzione e hai riconosciuto che non avresti potuto recedere una volta iniziata l'esecuzione.
Condizioni di spedizione
Spediamo il tuo ordine dopo averlo ricevuto
per articoli a portata di mano entro 24 ore,
per articoli con fornitura notturna entro 48 ore.
Nel caso in cui abbiamo bisogno di ordinare un articolo dal nostro fornitore, il nostro tempo di spedizione dipende dalla data di ricezione degli articoli, ma gli articoli verranno spediti lo stesso giorno.
Il nostro obiettivo è quello di inviare gli articoli ordinati nel modo più veloce, ma anche più efficiente e sicuro ai nostri clienti.