Благодарим ви, че изпратихте вашето запитване! Един от членовете на нашия екип ще се свърже с вас скоро.
Благодарим ви, че направихте своята резервация! Един от членовете на нашия екип ще се свърже с вас скоро.
План на курса
Введение в машинно обучение с опазване на поверителността
- Мотивации и рискове в среди с чувствителни данни
- Обзор на техники за машинно обучение с опазване на поверителността
- Модели на заплахи и регулаторни разгледи (напр., GDPR, HIPAA)
Federated Learning
- Концепция и архитектура на федеративно обучение
- Синхронизация и агрегация клиент-сервър
- Реализация с PySyft и Flower
Диференциална поверителност
- Математика на диференциалната поверителност
- Прилагане на диференциална поверителност в заявяване на данни и обучение на модели
- Използване на Opacus и TensorFlow Privacy
Безопасно множество от партиции (SMPC)
- SMPC протоколи и употребителни случаи
- Криптиращи подходи и подходи на тайно споделяне
- Безопасни процеси на изчисления с CrypTen или PySyft
Хомоморфно криптиране
- Пълно vs частично хомоморфно криптиране
- Закриптирана инференция за чувствителни задачи
- Практически уроци с TenSEAL и Microsoft SEAL
Приложения и отраслеви случаи на прилагане
- Поверителност в здравеопазването: федеративно обучение за медицинска ИА
- Безопасно сътрудничество в финанси: модели на риск и съответствие
- Случаи на прилагане в отбраната и правителството
Резюме и следващи стъпки
Изисквания
- Разбиране на принципите на машинен учение
- Опит с Python и библиотеки за ML (например, PyTorch, TensorFlow)
- Задълбочено познание на концепциите за защита на данни или киберсигурност е полезно
Целева аудитория
- Изследователи в областта на AI
- Екипи за защита на данни и съответствие с правилата за защита на личните данни
- Инженери по сигурност, работащи в регулирани отрасли
14 часа