Cursusaanbod

Inleiding tot Privacy-Preserving ML

  • Motivaties en risico's in gevoelige gegevensomgevingen
  • Overzicht van privacy-preserving ML-technieken
  • Threat models en regelgevingsoverwegingen (bijv., GDPR, HIPAA)

Federated Learning

  • Concept en architectuur van federated learning
  • Client-server synchronisatie en aggregatie
  • Implementatie met behulp van PySyft en Flower

Differential Privacy

  • Wiskunde van differential privacy
  • Toepassen van DP bij gegevensopvragen en modeltraining
  • Gebruik van Opacus en TensorFlow Privacy

Secure Multiparty Computation (SMPC)

  • SMPC-protocollen en toepassingsgevallen
  • Encryptiegebaseerde versus secret-sharing benaderingen
  • Veilige berekeningswerkstromen met CrypTen of PySyft

Homomorphic Encryption

  • Volledige versus gedeeltelijke homomorfische encryptie
  • Versleutelde inferentie voor gevoelige werkbelastingen
  • Hands-on met TenSEAL en Microsoft SEAL

Toepassingen en Industrie-case Studies

  • Privacy in de gezondheidszorg: federated learning voor medische AI
  • Veilige samenwerking in de financiële sector: risicomodellen en naleving
  • Toepassingen in de defensie en overheid

Samenvatting en Volgende Stappen

Vereisten

  • Een begrip van machine learning principes
  • Ervaring met Python en ML-bibliotheken (bijv., PyTorch, TensorFlow)
  • Kennis van gegevensprivacy of cyberbeveiligingsconcepten is handig

Publiek

  • AI-onderzoekers
  • Teams voor gegevensbescherming en privacycompliance
  • Beveiligingsingenieurs werkzaam in gereguleerde sectoren
 14 Uren

Aantal deelnemers


Prijs Per Deelnemer

Voorlopige Aankomende Cursussen

Gerelateerde categorieën