Generazione pratica di dati sintetici: Bilanciare la privacy e l'ampia disponibilità di dati

Recensioni dei lettori

Il libro non soddisfa le aspettative dei lettori alla ricerca di una risorsa tecnica, in particolare nel campo dell'apprendimento automatico, poiché manca di applicazioni pratiche, esempi di codifica e contenuti sostanziali.

L'autore sembra avere un'elevata fiducia nel proprio lavoro rispetto a questo libro, indicando che ritiene che la propria risorsa sia molto più completa e valida.

Il libro non è tecnico, non contiene codice o formule, ha pochi riferimenti, è breve (145 pagine) con immagini grandi e poco informative e non è adatto ai professionisti dell'apprendimento automatico.

(basato su 1 recensioni dei lettori)

Titolo originale:

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

Contenuto del libro:

Costruire e testare modelli di apprendimento automatico richiede l'accesso a dati ampi e diversificati. Ma dove si possono trovare set di dati utilizzabili senza incorrere in problemi di privacy? Questo libro pratico introduce tecniche per la generazione di dati sintetici - dati falsi generati da dati reali - in modo da poter eseguire analisi secondarie per fare ricerca, comprendere i comportamenti dei clienti, sviluppare nuovi prodotti o generare nuove entrate.

Gli scienziati dei dati impareranno come la generazione di dati sintetici fornisca un modo per rendere tali dati ampiamente disponibili per scopi secondari, risolvendo al contempo molti problemi di privacy. Gli analisti apprenderanno i principi e i passaggi per la generazione di dati sintetici da insiemi di dati reali. E i dirigenti aziendali vedranno come i dati sintetici possono contribuire ad accelerare i tempi di realizzazione di un prodotto o di una soluzione.

Questo libro descrive:

⬤ Passi per la generazione di dati sintetici utilizzando distribuzioni normali multivariate.

⬤ Metodi per l'adattamento delle distribuzioni che coprono diverse metriche di bontà di adattamento.

⬤ Come replicare la struttura semplice dei dati originali.

⬤ Un approccio alla modellazione della struttura dei dati per considerare relazioni complesse.

⬤ Molteplici approcci e metriche da utilizzare per valutare l'utilità dei dati.

⬤ Come l'analisi eseguita su dati reali può essere replicata con dati sintetici.

⬤ Implicazioni per la privacy dei dati sintetici e metodi per valutare la divulgazione dell'identità.