Obrigado por enviar sua consulta! Um dos membros da nossa equipe entrará em contato com você em breve.
Obrigado por enviar sua reserva! Um dos membros da nossa equipe entrará em contato com você em breve.
Programa do Curso
Introdução à ML Preservadora de Privacidade
- Motivações e riscos em ambientes com dados sensíveis
- Visão geral das técnicas de ML preservadoras de privacidade
- Modelos de ameaças e considerações regulatórias (por exemplo, GDPR, HIPAA)
Federated Learning
- Conceito e arquitetura do aprendizado federado
- Sincronização e agregação cliente-servidor
- Implementação usando PySyft e Flower
Privacidade Diferencial
- Matemática da privacidade diferencial
- Aplicando DP em consultas de dados e treinamento de modelos
- Usando Opacus e TensorFlow Privacy
Computação Multiparte Segura (SMPC)
- Protocolos SMPC e casos de uso
- Abordagens baseadas em criptografia vs compartilhamento secreto
- Fluxos de trabalho de computação segura com CrypTen ou PySyft
Criptografia Homomórfica
- Criptografia homomórfica completa vs parcial
- Inferência criptografada para carregamentos sensíveis
- Prática com TenSEAL e Microsoft SEAL
Aplicações e Estudos de Caso da Indústria
- Privacidade na saúde: aprendizado federado para IA médica
- Colaboração segura no setor financeiro: modelos de risco e conformidade
- Casos de uso para defesa e governo
Resumo e Próximos Passos
Requisitos
- Uma compreensão dos princípios de aprendizado de máquina
- Experiência com Python e bibliotecas ML (ex.: PyTorch, TensorFlow)
- Familiaridade com conceitos de privacidade de dados ou segurança cibernética é útil
Público-Alvo
- Pesquisadores em IA
- Equipes de proteção e conformidade de dados
- Engenheiros de segurança que trabalham em indústrias regulamentadas
14 Horas