Praktické generování syntetických dat: Vyvážení ochrany soukromí a široké dostupnosti dat

Recenze čtenářů

Kniha nesplňuje očekávání čtenářů, kteří hledají technický zdroj, zejména v oblasti strojového učení, protože postrádá praktické aplikace, příklady kódování a podstatný obsah.

Zdá se, že autor má ve srovnání s touto knihou vysokou důvěru ve vlastní práci, což naznačuje, že věří, že jeho vlastní zdroj je mnohem komplexnější a hodnotnější.

Kniha není odborná, neobsahuje žádný kód ani vzorce, má řídké odkazy, je krátká, má 145 stran s velkými neinformativními obrázky a není vhodná pro praktiky zabývající se strojovým učením.

(na základě 1 hodnocení čtenářů)

Původní název:

Practical Synthetic Data Generation: Balancing Privacy and the Broad Availability of Data

Obsah knihy:

Vytváření a testování modelů strojového učení vyžaduje přístup k rozsáhlým a různorodým datům. Kde ale najít použitelné soubory dat, aniž byste narazili na problémy s ochranou osobních údajů? Tato praktická kniha představuje techniky pro generování syntetických dat - falešných dat vytvořených ze skutečných dat -, abyste mohli provádět sekundární analýzu a provádět výzkum, porozumět chování zákazníků, vyvíjet nové produkty nebo generovat nové příjmy.

Datoví vědci se dozvědí, jak generování syntetických dat poskytuje způsob, jak taková data široce zpřístupnit pro sekundární účely a zároveň řešit mnohé problémy s ochranou soukromí. Analytici se seznámí s principy a kroky pro generování syntetických dat ze skutečných datových souborů. A vedoucí pracovníci v oblasti podnikání zjistí, jak mohou syntetická data pomoci zrychlit dobu potřebnou k vytvoření produktu nebo řešení.

Tato kniha popisuje:

⬤ Kroky pro generování syntetických dat pomocí vícerozměrných normálních rozdělení.

⬤ Metody pro fitování rozdělení zahrnující různé metriky dobré shody.

⬤ Jak replikovat jednoduchou strukturu původních dat.

⬤ Přístup k modelování struktury dat s cílem zohlednit složité vztahy.

⬤ Více přístupů a metrik, které můžete použít k posouzení užitečnosti dat.

⬤ Jak lze analýzu provedenou na skutečných datech replikovat pomocí syntetických dat.

⬤ Důsledky syntetických dat pro ochranu soukromí a metody posuzování odhalení identity.