Bedankt voor uw aanvraag! Een van onze medewerkers neemt binnenkort contact met u op
Bedankt voor uw boeking! Een van onze medewerkers neemt binnenkort contact met u op.
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