PySyft es una biblioteca de código abierto en Python diseñada para el aprendizaje automático federado y la privacidad-preservada. Su objetivo principal es permitir la colaboración segura y la capacitación de modelos de aprendizaje automático en datos distribuidos sin revelar información sensible o confidencial.

En el mundo actual impulsado por datos, la privacidad se ha convertido en una preocupación fundamental cuando se trata de aprendizaje automático y análisis de datos. A medida que organizaciones e individuos buscan aprovechar el poder de los datos, también se enfrentan a la responsabilidad de salvaguardar información sensible.

DevAcademy propone este curso de «Introducción práctica al Aprendizaje de Privacidad con PySyft» donde se ofrece un profundo análisis de las técnicas y herramientas de vanguardia necesarias para navegar por el intrincado panorama de la preservación de la privacidad en el aprendizaje automático.

A lo largo de una serie de módulos, el alumno se embarcará en un viaje para dominar PySyft, un marco de trabajo de código abierto diseñado para el aprendizaje automático centrado en la privacidad. Comenzando con conceptos fundamentales en privacidad y PySyft, se explorará progresivamente temas avanzados como modelos diferencialmente privados, comunicación segura y las consideraciones éticas que rodean a los proyectos de preservación de la privacidad.

Temario

• Introducción a la privacidad en el aprendizaje automático
• Diferenciación entre privacidad diferencial, federación y otras técnicas de privacidad.
• Conceptos fundamentales de PySyft
• Tensores seguros, punteros y trabajadores.
• Configuración de un entorno de desarrollo de PySyft
• Instalación de PySyft y dependencias.
• Creación de trabajadores y configuración de tensores seguros.
• Ejercicio práctico: Configuración y manipulación de estructuras de datos federadas en TFF

• Implementación de modelos de aprendizaje profundo en PySyft
• Creación de modelos de red neuronal con tensores seguros.
• Entrenamiento de modelos de privacidad diferencial
• Agregación segura y aplicación de ruido Laplaciano.
• Parámetros de privacidad: epsilon y delta.
• Diferencias entre el aprendizaje federado y la privacidad diferencial en PySyft
• Ejercicio práctico: Construcción y entrenamiento de una red neuronal privada
• Implementación de un modelo de privacidad diferencial en PySyft.

• Exploración de técnicas avanzadas de privacidad diferencial
• Privacidad diferencial local y global.
• Estimación de la composición de consultas y análisis de riesgos.
• Integración de privacidad diferencial en proyectos de PySyft
• Evaluación de la privacidad en modelos existentes.
• Implementación de técnicas avanzadas de composición de consultas.
• Ejercicio práctico: Aplicación de privacidad diferencial avanzada a un conjunto de datos
• Implementación de privacidad diferencial local en un proyecto de clasificación.

• Comunicación segura entre nodos en PySyft
• Configuración de conexiones seguras y autenticación de trabajadores.
• Integración de nodos federados con PySyft
• Creación de federaciones de trabajadores y servidores seguros.
• Coordinación y agregación de modelos federados privados.
• Ejercicio práctico: Configuración de una federación de nodos con PySyft
• Implementación de una federación de servidores y clientes seguros.

• Casos de uso avanzados de Federated Learning con PySyft
• Ejemplos de aplicaciones de privacidad en el mundo real.
• Implementación de soluciones de privacidad en proyectos reales
• Desarrollo de sistemas de recomendación privados.
• Privacidad en el análisis de datos de salud.
• Consideraciones éticas y legales en proyectos de privacidad
• Cumplimiento normativo y protección de datos.
• Ejercicio práctico: Desarrollo de una aplicación de privacidad con PySyft
• Implementación de una aplicación de privacidad en un escenario específico.

• Seguridad en el aprendizaje de privacidad con PySyft
• Amenazas de seguridad en entornos de PySyft.
• Configuración de políticas de seguridad y control de accesos.
• Auditoría y registro en proyectos PySyft
• Implementación de registros de auditoría para seguimiento y análisis.
• Resolución de problemas de seguridad comunes en proyectos PySyft
• Ejercicio práctico: Configuración de medidas de seguridad y auditoría en PySyft
• Implementación de políticas de seguridad y auditoría en un proyecto de privacidad.

Responsabilidades profesor

Presentar el contenido conforme lo presentado en el programa de formación
Proyecto en Github para clonar
Dar acceso al material necesario (PDFs, ejercicios, software, etcs) para el curso contratado.
Proveer de local para impartir la formación

Responsabilidades alumno

Participar en la formación en el periodo determinado, trayendo un notebook con los requisitos mínimos necesarios para la participación en la formación, siendo estos los siguientes:
Mínimo de 4GB de memoria RAM
Mínimo de 10GB de espacio en disco (HD).
Habilitada la virtualización tanto en software como hardware
Poseer privilegios de administración

Observaciones importantes

Confirmaciones
Las confirmaciones serán enviadas a la dirección de e-mail enviada por el alumno

Cancelaciones
Los plazos para el cancelamiento de inscripciones solicitadas, son de 5 días laborales antes del inicio del curso.
En caso de cancelamiento fuera de plazo por parte del alumno, DevAcademy se reserva el derecho a cobrar un porcentaje (20%) del valor del curso.
DevAcademy se reserva el derecho de cancelar o posponer la formación, siempre y cuando avise al contratante y/o devuelva el importe íntegro en caso de cancelación

Obligaciones del alumno
Es obligatorio que el alumno cumpla con todos las obligaciones recomendadas por el profesor para seguir todos los ejercicios y no demorar ni perjudicar la clase. Es posible que días antes se envie un email como recordatorio al alumno con instrucciones a seguir u obligaciones desarrollar para poder estar preparado al comienzo de la clase.