کتاب تحلیل داده هوشمند بدون نقض حریم خصوصی — کتاب عملی با فرمت AZW3 برای کتابخوان کیندل و فرمت EPUB

249,950 تومان
پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 62,488 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تحلیل داده هوشمند بدون نقض حریم خصوصی — دوره عملی

موضوع کلی: حریم خصوصی و امنیت داده

موضوع میانی: تحلیل داده با حفظ حریم خصوصی

📋 سرفصل‌های دوره

  • 1. مبانی حریم خصوصی در تحلیل داده
  • 2. مدل‌های تهدید حریم خصوصی
  • 3. تفاوت حریم خصوصی، کنترل دسترسی و رمزنگاری
  • 4. مفهوم رسمی حریم خصوصی تفاضلی
  • 5. پارامیترهای حریم خصوصی تفاضلی (ε, δ)
  • 6. نویز لابلاس و مکانیزم Laplace
  • 7. نویز گاوسی و مکانیزم Gaussian
  • 8. بودجه حریم خصوصی و حساب بودجه
  • 9. ترکیب مجموعه‌ای و قضیه ترکیب
  • 10. حریم خصوصی تفاضلی محلی vs جهانی
  • 11. مکانیزم‌های تصادفی و پاسخ دقیق
  • 12. اینفلاسن درایور و نویز‌گذاری
  • 13. حریم خصوصی در یادگیری ماشین
  • 14. آموزش مدل تفاضلی با TensorFlow Privacy
  • 15. حریم خصوصی در شبکه‌های عصبی عمیق
  • 16. یادگیری فدرال: مفهوم و معماری
  • 17. محاسبه فدرال و تحلیل داده پراکنده
  • 18. جمع‌آوری امن در یادگیری فدرال
  • 19. مقاومت علیه حملات اعضای خائن
  • 20. مقایسه یادگیری فدرال و حریم خصوصی تفاضلی
  • 21. رمزنگاری همومرفیک: مفهوم و انواع
  • 22. همومرفیسم کامل و نیمه‌کامل
  • 23. محاسبات رمزنگاری‌شده روی داده حساس
  • 24. کاربرد رمزنگاری همومرفیک در تحلیل داده
  • 25. محاسبه چندپاره‌ای امن: پروتکل‌ها
  • 26. محاسبه چندپاره‌ای برای آمار و جمع‌آوری
  • 27. تقاطع مجموعه خصوصی و جستجو خصوصی
  • 28. حذف هویت کلاسیک: k-Anonymity
  • 29. l-Diversity و t-Closeness برای آنونیمیزاسیون
  • 30. مشکلات کیفی در حذف هویت
  • 31. حملات بازتعریف هویت و رهگیری
  • 32. دفاع در برابر حملات عضویت
  • 33. دفاع در برابر حملات بازتعریف
  • 34. داده‌های مصنوعی و تولید داده مصنوعی حریم‌دار
  • 35. کیفیت و ارزیابی داده‌های مصنوعی
  • 36. ابزارها و کتابخانه‌های محافظت از حریم خصوصی
  • 37. پایتون و OpenDP: آموزش عملی
  • 38. پایتون و PySyft: آموزش عملی
  • 39. تحلیل داده بانکی با رعایت حریم خصوصی
  • 40. تحلیل داده بهداشتی با رعایت حریم خصوصی
  • 41. GDPR و حریم خصوصی داده در اتحادیه اروپا
  • 42. اصل حذف داده و حق مغفه
  • 43. طراحی سیستم با رعایت حریم خصوصی
  • 44. سناریوهای واقعی نقض حریم خصوصی
  • 45. داشبوردهای حریم‌دار و گزارش‌دهی
  • 46. سنجش ریسک حریم خصوصی در پروژه‌ها
  • 47. تدوین سیاست حریم خصوصی برای تحلیل داده
  • 48. آزمون نفوذ حریم خصوصی و ارزیابی آسیب‌پذیری
  • 49. مقایسه روش‌های حفظ حریم خصوصی
  • 50. نظرات نهایی و راهنمای انتخاب روش
  • 51. پروژه عملی: طراحی پایپلاین تحلیل حریم‌دار
تگ‌ها: differential privacy federated learning GDPR OpenDP privacy preserving analytics privacy preserving machine learning PySyft آنونیمیزاسیون تحلیل داده هوشمند حریم خصوصی داده حفظ حریم خصوصی داده مصنوعی رمزنگاری همومرفیک محافظت از داده یادگیری فدرال

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.