dpunkt Data Privacy in der Praxis Katharine Jarmul Fachbuch
4.3 (3)
39,90 €19,95 €
Data Privacy in der Praxis von Katharine Jarmul im dpunkt Verlag ist ein Fachbuch und Lehrbuch für Datenschutz in Daten- und KI-Projekten. Das Computing-Buch als Ratgeber erklärt DSGVO, Anonymisierung, Differential Privacy, Federated Learning und homomorphe Verschlüsselung. Es richtet sich an Data Scientists und Data Engineers mit Beispielen zu ChatGPT und Deep Fakes.
Auf Lager
-
1
+
Erhalte es in 3–5 Werktagen.
21 Personen sehen sich diesen Artikel gerade an.Heute wurden 13 Stück verkauft.Nur noch 7 Stück auf Lager.
Data Privacy in der Praxis zeigt, wie Daten in Projekten privat, anonymisiert und sicher bleiben. Katharine Jarmul, Privacy-Spezialistin bei Thoughtworks und Mitgründerin der PyLadies, vermittelt technische, organisatorische und rechtliche Bausteine für Produktivsysteme. Der Band ist auf den europäischen Markt zugeschnitten und behandelt DSGVO und CCPA, dazu ChatGPT und Deep Fakes. Best Practices und praxiserprobte Ratschläge führen von Datenworkflows bis zur Data-Science-Anwendung.
Beantwortet werden Fragen zu anonymisierten Daten, Federated Analysis und Einsatzreife neuer Verfahren.
DSGVO Buch – Differential Privacy und Federated Learning
Das Fachbuch erklärt Differential Privacy, Federated Learning und homomorphe Verschlüsselung in verständlichen Grundlagen. Leser lernen, wann sich Anonymisierung eignet, wie Federated Learning funktioniert und wo Grenzen liegen. Damit eignet sich der Titel als Lehrbuch für Studium und Weiterbildung sowie als Nachschlagewerk im Team.
Data Science Buch kaufen – für Engineers und Scientists
Data Engineers und Data Scientists erhalten einen Leitfaden zur Integration von Privacy in Datensysteme. Das Computing-Buch passt für KI-Projekte, Datenschutzbeauftragte und Entwickler. Als Taschenbuch für den Schreibtisch unterstützt es Prüfungen, Audits und den Aufbau sicherer Datenpipelines.
Merkmale
Fachbuch Data Privacy in der Praxis von Katharine Jarmul
dpunkt Verlag Computing, auf DSGVO zugeschnitten
Differential Privacy, Federated Learning und Verschlüsselung
