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

Próximas Formações Provisórias

Categorias Relacionadas