O'Reilly Media Практическое руководство по генерации синтетических данных: балансирование между конфиденциальностью и доступностью данных

Создание и тестирование моделей машинного обучения требует доступа к большим и разнообразным данным. Но где можно найти используемые наборы данных, не сталкиваясь с проблемами конфиденциальности?

В этой практической книге представлены методы генерации синтетических данных — фальшивых данных, созданных на основе реальных данных, позволяющих проводить вторичный анализ для исследований, понимания поведения клиентов, разработки новых продуктов или получения нового дохода.

Данные специалисты узнают, как генерация синтетических данных обеспечивает широкую доступность таких данных для вторичных целей, при этом учитывая многие проблемы конфиденциальности.

Аналитики изучат принципы и шаги по генерации синтетических данных из реальных наборов данных. А руководители бизнеса увидят, как синтетические данные могут помочь ускорить выход продукта или решения на рынок.

Книга описывает:

• Шаги по генерации синтетических данных с использованием многомерных нормальных распределений.
• Методы подгонки распределений с учетом различных показателей наилучшего соответствия.
• Как воспроизвести простую структуру оригинальных данных.
• Подход к моделированию структуры данных для учета сложных взаимосвязей.
• Множественные подходы и метрики для оценки полезности данных.
• Как анализ, выполненный на реальных данных, может быть воспроизведен с синтетическими данными.
• Влияние конфиденциальности на синтетические данные и методы оценки раскрытия идентификации.