Thank you for sending your enquiry! One of our team members will contact you shortly.
Thank you for sending your booking! One of our team members will contact you shortly.
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