Cantitate/Preț
Produs
Total produse
Vezi coșul
Practical Data Privacy: Enhancing Privacy and Security in Data de Katharine Jarmul

Practical Data Privacy: Enhancing Privacy and Security in Data

Autor Katharine Jarmul
en Limba Engleză Paperback – 28 apr 2023

În peisajul tehnologic actual, interdisciplinaritatea dintre securitatea cibernetică, etica datelor și ingineria software a devenit imperativă. Practical Data Privacy răspunde acestei nevoi, oferind un cadru riguros pentru integrarea confidențialității direct în arhitectura sistemelor de producție. Apreciem modul în care Katharine Jarmul reușește să traducă concepte matematice complexe, precum criptarea homomorfă sau învățarea federată, în soluții aplicabile pentru dezvoltatorii care trebuie să navigheze între cerințele stricte ale GDPR/CCPA și necesitatea de a extrage valoare din date.

Comparabil cu Guide to Data Privacy de Vicenç Torra în ceea ce privește rigoarea definițiilor computaționale, acest volum se distinge prin orientarea sa pronunțat practică, fiind actualizat pentru noile provocări din machine learning și bibliotecile open-source moderne. În timp ce alte lucrări rămân la nivel teoretic, Practical Data Privacy pune accent pe „privacy by design”, oferind răspunsuri clare despre ce înseamnă cu adevărat anonimizarea și cum se pot alege cele mai bune tehnologii de protecție fără a sacrifica operabilitatea.

Această lucrare reprezintă o evoluție firească în opera autoarei. Dacă în Data Wrangling with Python se concentra pe procesarea informațiilor brute și „murdare”, aici Katharine Jarmul ridică miza spre securizarea acestor fluxuri. Găsim în acest volum aceeași claritate didactică specifică stilului său, dar aplicată de data aceasta la nivel de infrastructură și guvernanță, transformând un subiect adesea arid într-un ghid esențial pentru orice specialist în date.

Citește tot Restrânge

Preț: 35613 lei

Puncte Express: 534

Carte disponibilă

Livrare economică 30 aprilie-14 mai
Livrare express 15-21 aprilie pentru 4227 lei

 Adaugă în coș

Wish list
Gift list
Am citit!
Adaugă în listă

Specificații

ISBN-13: 9781098129460
ISBN-10: 1098129466
Pagini: 344
Dimensiuni: 176 x 232 x 19 mm
Greutate: 0.62 kg
Editura: O'Reilly

De ce să citești această carte

Recomandăm această carte oricărui inginer de date sau specialist în securitate care dorește să treacă de la simpla conformitate legală la o arhitectură robustă. Cititorul câștigă o înțelegere profundă a metodelor de anonimizare și a învățării federate, primind instrumente concrete pentru a colabora eficient cu echipele de infosec. Este resursa ideală pentru a învăța cum să implementezi tehnologii de ultimă oră în sisteme de producție reale.

Despre autor

Katharine Jarmul este o dezvoltatoare Python renumită, pasionată de analiza datelor, web scraping și mediul open source. Și-a început cariera în Los Angeles, perfecționându-și abilitățile la Washington Post în 2008, înainte de a deveni consultant internațional. Este recunoscută la nivel global ca fiind una dintre fondatoarele PyLadies, organizație dedicată promovării diversității în tehnologie prin educație. Expertiza sa vastă în Python și Unix, acumulată atât în startup-uri cât și în corporații mari, o poziționează ca o voce autoritară în domeniul confidențialității datelor.

Descriere

Between major privacy regulations like the GDPR and CCPA and expensive and notorious data breaches, there has never been so much pressure for data scientists to ensure data privacy. Unfortunately, integrating privacy into your data science workflow is still complicated. This essential guide will give you solid advice and best practices on breakthrough privacy-enhancing technologies such as encrypted learning and differential privacy--as well as a look at emerging technologies and techniques in the field.

Practical Data Privacy answers important questions such as:What do privacy regulations like GDPR and CCPA mean for my project?What does "anonymized data" really mean?Should I anonymize the data? If so, how?Which privacy techniques fit my project and how do I incorporate them?What are the differences and similarities between privacy-preserving technologies and methods?How do I utilize an open-source library for a privacy-enhancing technique?How do I ensure that my projects are secure by default and private by design?How do I create a plan for internal policies or a specific data project that incorporates privacy and security from the start?

Notă biografică

Katharine Jarmul is a privacy activist and data scientist whose work and research focuses on privacy and security in data science workflows. She works as a Principal Data Scientist at Thoughtworks and has held numerous leadership and independent contributor roles at large companies and startups in the US and Germany--implementing data processing and machine learning systems with privacy and security built in and developing forward-looking, privacy-first data strategy. She is a passionate and internationally recognized data scientist, programmer, and lecturer.

Descriere scurtă

Between major privacy regulations like the GDPR and CCPA and expensive and notorious data breaches, there has never been so much pressure to ensure data privacy. Unfortunately, integrating privacy into data systems is still complicated. This essential guide will give you a fundamental understanding of modern privacy building blocks, like differential privacy, federated learning, and encrypted computation. Based on hard-won lessons, this book provides solid advice and best practices for integrating breakthrough privacy-enhancing technologies into production systems.
Practical Data Privacy answers important questions such as:
  • What do privacy regulations like GDPR and CCPA mean for my data workflows and data science use cases?
  • What does "anonymized data" really mean? How do I actually anonymize data?
  • How does federated learning and analysis work?
  • Homomorphic encryption sounds great, but is it ready for use?
  • How do I compare and choose the best privacy-preserving technologies and methods? Are there open-source libraries that can help?
  • How do I ensure that my data science projects are secure by default and private by design?
  • How do I work with governance and infosec teams to implement internal policies appropriately?