سبد خرید
0

هیچ محصولی در سبد خرید نیست.

حساب کاربری

پشتیبان 99004600919

پشتیبانی

17%

Hands-On Differential Privacy

کتاب Hands-On Differential Privacy

امروزه بسیاری از سازمان ها مجموعه داده های بزرگ و حساسی را در مورد افراد تجزیه و تحلیل و به اشتراک می گذارند. چه این مجموعه داده‌ها جزئیات مراقبت‌های بهداشتی، سوابق مالی یا نمرات امتحانات را پوشش دهد، برای سازمان‌ها سخت‌تر می‌شود که از اطلاعات یک فرد از طریق شناسایی، ناشناس‌سازی، و سایر تکنیک‌های محدود کردن افشای آماری سنتی محافظت کنند. این کتاب کاربردی توضیح می دهد که چگونه حریم خصوصی تفاضلی (DP) می تواند کمک کند.

خرید کتاب زبان اصلی | کاغذ تحریر | سایز اصلی کتاب | چاپ سیاه و سفید | صحافی جلد نرم

قیمت اصلی ۴۷۰,۰۰۰ تومان بود.قیمت فعلی ۳۹۰,۰۰۰ تومان است.

پروسه چاپ این کتاب بین 3 الی 4 روز کاری میباشد
سیمی‌ کتاب‌ها به صورت رایگان! کافیست در توضیحات سبد خرید درخواست دهید.
موجود در انبار
✅ قیمت منصفانه به نسبت کیفیت بالای محصولات
✅ گارانتی اصالت و ضمانت سلامت فیزیکی کتاب ها
✅ ارسال با بسته بندی مقاوم در کمترین زمان ممکن
✅ قیمت های به روز و عدم اتمام موجودی کتاب ها
نقد و بررسی اجمالیکتاب Hands-On Differential Privacy

Hands-On Differential Privacy

Many organizations today analyze and share large, sensitive datasets about individuals. Whether these datasets cover healthcare details, financial records, or exam scores, it’s become more difficult for organizations to protect an individual’s information through deidentification, anonymization, and other traditional statistical disclosure limitation techniques. This practical book explains how differential privacy (DP) can help.

Authors Ethan Cowan, Michael Shoemate, and Mayana Pereira explain how these techniques enable data scientists, researchers, and programmers to run statistical analyses that hide the contribution of any single individual. You’ll dive into basic DP concepts and understand how to use open source tools to create differentially private statistics, explore how to assess the utility/privacy trade-offs, and learn how to integrate differential privacy into workflows.

With this book, you’ll learn:

  • How DP guarantees privacy when other data anonymization methods don’t
  • What preserving individual privacy in a dataset entails
  • How to apply DP in several real-world scenarios and datasets
  • Potential privacy attack methods, including what it means to perform a reidentification attack
  • How to use the OpenDP library in privacy-preserving data releases
  • How to interpret guarantees provided by specific DP data releases
نمایش ادامه مطلب
افزودن به سبد خرید
مقایسه محصولات

0 محصول

مقایسه محصول
مقایسه محصول
مقایسه محصول
مقایسه محصول