Course Outline

Καταγωγή στην Προστασία Ιδιωμάτων στη Διεπαφή ML

  • Συναίσθημα και κινδύνοι σε περιβάλλοντα ευαισθητών δεδομένων
  • Περιγραφή τεχνικών προστασίας ιδιωμάτων στη ML
  • Μοντέλα κινδύνου και συνοψιμότητες (π.χ., GDPR, HIPAA)

Federated Learning

  • Νόημα και αρχιτεκτονική της διασυνδεδεμένης μάθησης
  • Σύγχρονη πίνακα και αγрегατόρα σε εφαρμογή client-server
  • Προσδιορισμός με το PySyft και Flower

Διαφορική Προστασία

  • Μαθηματικά της διαφορικής προστασίας
  • Πρότυπα DP σε ερωτήσεις και εκπαίδευση μοντέλου δεδομένων
  • Χρήση Opacus και TensorFlow Privacy

Ασφαλής Multiparty Computation (SMPC)

  • Πρωτόκολλα SMPC και περιπτώσεις χρήσης
  • Εναποδίδοντα προσέγγιση ανάλογη με τους κωδικούς
  • Ασφαλείς ροές υπολογισμών με CrypTen ή PySyft

Εγκαθάρτιση κρυπτογράφησης

  • Αληθής περίπτωση ανάλογη με τους κωδικούς κρυπτογράφησης
  • Κρυπτογραφήστε πρόσβαση σε ανησυχητικές εργασίες
  • Hands-on με TenSEAL και Microsoft SEAL

Υλοποιήσεις και περιπτώσεις εφαρμογών βιομηχανίας

  • Πρόσβαση στην υγεία: διασυνδεδεμένη μάθηση για AI στα παιχνίδια
  • Ασφαλής επικοινωνία στις χρηματοοικονομικές υπηρεσίες: πρότυπα κινδύνου και συγχωρούμε
  • Περιπτώσεις χρήσης τηλεπικοινωνίας και κυβερνήσεων

Επικάλυψη και Πρόχειρα Βήματα

Requirements

  • Συνειδητοποίηση των αρχών της μηχανικής μάθησης
  • Δεξιότητες σε Python και βιβλιοθέκες ML (π.χ., PyTorch, TensorFlow)
  • Εμπειρία με τα πρότυπα διάσωματος εγκύρων συστημάτων ή κυβερνητικής ασφάλειας είναι χρήσιμη

Αудитορия (Πελατές)

  • Έρευνες AI
  • Εκπαιδευμένες ομάδες διαφθοράς και προστασίας δεδομένων
  • Μηχανικοί ασφάλειας που εργάζονται σε ρυθμισμένες βιομηχανίες
 14 Hours

Number of participants


Price per participant

Upcoming Courses

Related Categories