Gizlilik Korumalı Makine Öğrenmesi Eğitimi

Eğitim Hakkında

Bu eğitim, kişisel ve hassas verilerle çalışan makine öğrenmesi projelerinde gizliliği matematiksel ve kriptografik yöntemlerle güvence altına almak isteyen teknik ekipler için hazırlanmış ileri düzey bir programdır. Katılımcılar anonimleştirme, diferansiyel gizlilik, homomorfik şifreleme, güvenli çok taraflı hesaplama ve sentetik veri tekniklerini uygular, KVKK ile uyumlu mimariler tasarlar.

Neden Bu Eğitim?

Tüm PET Yelpazesi. Anonimleştirmeden homomorfik şifrelemeye kadar gizlilik artırıcı teknolojileri tek programda karşılaştırın.

Ölçülebilir Gizlilik. Diferansiyel gizlilik bütçesi ve üyelik çıkarımı denetimleriyle gizliliği varsayıma değil ölçüme dayandırın.

Mevzuatla Uyumlu. KVKK'nın anonim veri ve özel nitelikli veri kavramlarını teknik tasarım kararlarına doğrudan yansıtın.

“Gizlilik, yapay zekanın önünde bir engel değil; doğru tekniklerle hassas veriden güvenle değer üretmenin ön koşuludur.”

Ön Koşullar

Python ve PyTorch — Python ile veri işleme ve PyTorch veya scikit-learn ile model eğitimi deneyimi.
Olasılık ve İstatistik — Olasılık dağılımları, beklenen değer ve varyans konularında lisans düzeyinde bilgi.
Makine Öğrenmesi — Sınıflandırma, gradyan inişi, aşırı öğrenme ve model değerlendirme kavramlarına hakimiyet.
Çalışma Ortamı — Python 3 ve Docker kurulu, en az 16 GB belleğe sahip bir bilgisayar veya bulut not defteri.

Eğitim İçeriği

Programın gün gün akışı aşağıdadır. Bir güne tıklayarak o günün modüllerini ve içeriklerini görebilirsiniz.

Günün hedefiMakine öğrenmesindeki gizlilik risklerini ve mevzuat çerçevesini kavramak, klasik anonimleştirme yöntemlerini uygulamak ve yapılandırılmamış veride kişisel veriyi maskelemek.

Modül 1

Makine Öğrenmesinde Gizlilik Sorunu

Modellerin eğitim verisini ezberlemesi ve sızdırması
Gizlilik saldırıları: üyelik, özellik ve yeniden oluşturma
Gizlilik artırıcı teknolojiler (PET) haritası
Gizlilik, fayda ve hesaplama maliyeti dengesi
Tehdit modeli: veri sahibi, model sahibi ve kullanıcı
Vaka: Netflix Prize ve yeniden kimliklendirme dersleri

Modül 2

Mevzuat ve Tasarımda Gizlilik

KVKK: kişisel, özel nitelikli ve anonim veri ayrımı
KVKK silme, yok etme ve anonim hale getirme rehberi
GDPR'da takma adlandırma ile anonimleştirme farkı
Tasarımda ve varsayılan olarak gizlilik ilkesi
EU AI Act veri yönetişimi ve ISO/IEC 27701 ilişkisi
Atölye: ML projesi için veri koruma etki değerlendirmesi

Modül 3

Klasik Anonimleştirme Teknikleri

Doğrudan ve dolaylı tanımlayıcıların tespiti
k-anonimlik, l-çeşitlilik ve t-yakınlık modelleri
Genelleştirme, baskılama ve mikro-toplulaştırma
ARX aracı ile anonimleştirme ve yeniden tanımlama riski
Klasik yöntemlerin bağlantı saldırılarına karşı sınırları
Laboratuvar: ARX ile müşteri veri seti anonimleştirme

Modül 4

Yapılandırılmamış Veride Kişisel Veri

Metinde kişisel veri tespiti: NER ve kural tabanlı yöntemler
Microsoft Presidio ile özel tanıyıcı ve maskeleme hattı
Görüntülerde yüz ve plaka bulanıklaştırma
LLM eğitim ve RAG verisinde kişisel veri temizliği
Laboratuvar: Presidio ile çağrı merkezi metni maskeleme
Günün değerlendirmesi ve diferansiyel gizlilik gününe köprü

Günün hedefiDiferansiyel gizliliğin tanım ve mekanizmalarını öğrenmek, gizli istatistik ve DP-SGD ile model eğitimi uygulamak ve gizlilik garantilerini ampirik olarak denetlemek.

Modül 1

Diferansiyel Gizliliğin Temelleri

Komşu veri setleri ve diferansiyel gizlilik tanımı
Epsilon ve delta parametrelerinin yorumlanması
Laplace ve Gauss mekanizmaları, duyarlılık kavramı
Kompozisyon teoremleri ve son işleme özelliği
Merkezi ve yerel diferansiyel gizlilik modelleri
Laboratuvar: OpenDP ile gizli sayım ve ortalama sorguları

Modül 2

Diferansiyel Gizli İstatistik ve Analitik

Histogram, kantil ve toplulaştırılmış rapor yayınlama
Gizlilik bütçesi yönetimi ve sorgu planlama
Tumult Analytics ile ölçekli diferansiyel gizli sorgular
Resmi istatistik ve kurumsal raporlama örnekleri
Epsilon seçimi: politika, risk ve fayda tartışması
Laboratuvar: Gizlilik bütçeli gösterge paneli verisi

Modül 3

Diferansiyel Gizli Model Eğitimi (DP-SGD)

DP-SGD: örnek bazlı gradyan kırpma ve gürültü ekleme
Gizlilik muhasebesi: RDP ve PRV hesaplayıcıları
Opacus ile PyTorch modellerinde DP-SGD
Hiperparametre ayarı ve doğruluk kaybını azaltma
Önceden eğitilmiş modellerle DP ince ayar stratejisi
Laboratuvar: Opacus ile tablo verisinde DP sınıflandırıcı

Modül 4

Gizlilik Denetimi ve Ampirik Ölçüm

Teorik garanti ile ampirik sızıntı arasındaki fark
Üyelik çıkarımı saldırılarıyla gizlilik denetimi
Kanarya (canary) yerleştirme ile ezber ölçümü
DP uygulamalarında yaygın hatalar ve doğrulama
Laboratuvar: DP ve DP'siz modelde LiRA karşılaştırması
Günün özeti ve kriptografik yöntemler gününe hazırlık

Günün hedefiHomomorfik şifreleme ile şifreli veride çıkarım yapmak, güvenli çok taraflı hesaplamayla ortak model eğitmek ve güvenilir yürütme ortamlarının rolünü değerlendirmek.

Modül 1

Homomorfik Şifreleme

Kısmi, seviyeli ve tam homomorfik şifreleme (FHE)
BFV, CKKS ve TFHE şemalarının kullanım alanları
OpenFHE ve Microsoft SEAL kütüphaneleri
Şifreli veri üzerinde doğrusal model çıkarımı
Performans, gürültü bütçesi ve parametre seçimi
Laboratuvar: TenSEAL ile şifreli veride tahmin

Modül 2

Şifreli Makine Öğrenmesi Uygulamaları

Concrete ML ile FHE uyumlu model derleme
Nicemleme ve FHE için model tasarım kısıtları
Şifreli çıkarım servis mimarisi ve anahtar yönetimi
Şifreli LLM çıkarımının güncel sınırları
Kullanım senaryoları: kredi skorlama ve sağlık tahmini
Laboratuvar: Concrete ML ile şifreli sınıflandırma

Modül 3

Güvenli Çok Taraflı Hesaplama (SMPC)

Gizli paylaşım: toplamsal ve Shamir şemaları
Garbled circuits ve oblivious transfer temelleri
CrypTen ile PyTorch üzerinde güvenli hesaplama
Özel küme kesişimi (PSI) ile gizli kayıt eşleştirme
Yarı dürüst ve kötü niyetli taraf güvenlik modelleri
Laboratuvar: CrypTen ile iki taraflı güvenli model eğitimi

Modül 4

Güvenilir Yürütme Ortamları (TEE)

Intel SGX, Intel TDX ve AMD SEV-SNP mimarileri
GPU tabanlı gizli hesaplama ve bulut hizmetleri
Uzaktan doğrulama (remote attestation) süreci
Yan kanal saldırıları ve TEE güven varsayımları
Demo: Gizli sanal makinede doğrulanmış model çıkarımı
Günün değerlendirmesi ve sentetik veri gününe köprü

Günün hedefiGizlilik korumalı sentetik veri üretip değerlendirmek, federe öğrenme dahil hibrit PET mimarileri kurgulamak, kurumsal yönetişimi planlamak ve projeyi sunmak.

Modül 1

Gizlilik Korumalı Sentetik Veri

Sentetik veri türleri ve kullanım senaryoları
SDV ile CTGAN ve Gauss kopula modelleri
Diferansiyel gizli sentetik veri: MST ve AIM yöntemleri
Kalite ölçümü: istatistiksel benzerlik ve fayda testleri
Gizlilik ölçümü: mesafe ve üyelik çıkarımı riskleri
Laboratuvar: SDV ile sentetik veri üretimi ve değerlendirme

Modül 2

Federe Öğrenme ve Hibrit PET Mimarileri

Federe öğrenmenin gizlilik mimarisindeki yeri
Federe öğrenme, DP ve güvenli toplamanın birleşimi
LLM'lerde gizlilik: ezber, veri çıkarımı ve DP ince ayar
RAG sistemlerinde erişim kontrolü ve veri minimizasyonu
Doğru PET seçimi için karar ağacı yaklaşımı
Uygulama: Senaryolara göre PET kombinasyonu tasarımı

Modül 3

Kurumsal Uygulama ve Yönetişim

Veri temiz odaları (data clean rooms) ve iş birlikleri
PET projelerinde maliyet, performans ve olgunluk analizi
Gizlilik mühendisliği ekip rolleri ve süreçleri
Denetim, belgeleme ve düzenleyici kurumla iletişim
Vaka: Kurumlar arası dolandırıcılık analitiğinde PET
Atölye: Kurumsal gizlilik korumalı ML yol haritası

Modül 4

Gizlilik Mimarisi Projesi ve Kapanış

Grup projesi: hassas veri seti için uçtan uca PET çözümü
Gizlilik garantisi, fayda ve maliyet karşılaştırma raporu
Proje sunumları ve teknik geri bildirim oturumu
Eğitim değerlendirmesi ve interaktif Soru-Cevap
Sertifika takdimi ve laboratuvar not defterlerinin teslimi
İleri öğrenme kaynakları ve kapanış oturumu

Eğitim Kazanımları

Risk Analizi — Bir ML projesindeki ezber, üyelik çıkarımı ve yeniden kimliklendirme risklerini tehdit modeliyle analiz edebileceksiniz.
Anonimleştirme — k-anonimlik, ARX ve Presidio ile yapılandırılmış ve metin verisini KVKK ilkelerine uygun biçimde işleyebileceksiniz.
Diferansiyel Gizlilik — OpenDP ve Tumult Analytics ile gizlilik bütçesi yönetilen istatistik ve raporlar üretebileceksiniz.
DP-SGD Eğitimi — Opacus ile diferansiyel gizli modeller eğitip gizlilik-doğruluk dengesini sistematik biçimde optimize edebileceksiniz.
Şifreli Hesaplama — Concrete ML ve OpenFHE ile şifreli veri üzerinde çıkarım yapan model servislerini tasarlayabileceksiniz.
Çok Taraflı Hesaplama — CrypTen ve PSI ile verisini birbirine göstermeyen taraflar arasında ortak analiz ve model eğitimi yapabileceksiniz.
Sentetik Veri — SDV ve DP tabanlı yöntemlerle sentetik veri üretip fayda ve gizlilik açısından nesnel biçimde ölçebileceksiniz.
PET Mimarisi — Senaryonuza uygun gizlilik artırıcı teknolojileri birleştiren, denetlenebilir bir çözüm mimarisi oluşturacaksınız.

Kimler İçin Uygundur?

Makine öğrenmesi mühendisleri
veri bilimciler
gizlilik ve güvenlik mühendisleri
veri koruma uzmanları ile bankacılık
sağlık ve kamu sektörünün veri ekipleri.

Sıkça Sorulan Sorular

Gizlilik Korumalı Makine Öğrenmesi Eğitimi kimler için uygundur?

Program; makine öğrenmesi mühendisleri, veri bilimciler, gizlilik ve güvenlik mühendisleri, veri koruma uzmanları ile bankacılık, sağlık, telekom ve kamu sektörlerinde hassas veriyle çalışan teknik ekipler için tasarlanmıştır.

Eğitim ne kadar sürer ve hangi teknikleri kapsar?

Eğitim 4 tam gün ve 16 modülden oluşur. Gizlilik riskleri ve anonimleştirme, diferansiyel gizlilik, homomorfik şifreleme ile güvenli çok taraflı hesaplama ve son gün sentetik veri, federe öğrenme ile hibrit mimariler ve proje işlenir.

Katılım için kriptografi bilgisi gerekli mi?

Kriptografi bilgisi gerekmez; homomorfik şifreleme ve gizli paylaşım kavramları uygulama odaklı anlatılır. Python ile model eğitimi deneyimi ve olasılık ile istatistik konularında lisans düzeyinde bilgi beklenir.

Bu eğitim Federe Öğrenme Eğitimi'nden nasıl ayrılır?

Federe Öğrenme Eğitimi dağıtık model eğitimine derinlemesine odaklanır. Bu program ise anonimleştirme, diferansiyel gizlilik, homomorfik şifreleme, SMPC, TEE ve sentetik veri gibi gizlilik artırıcı teknolojilerin tamamını karşılaştırmalı olarak ele alır; federe öğrenme bunlardan biri olarak işlenir.

Eğitimde hangi araçlar kullanılıyor, sertifika veriliyor mu?

ARX, Microsoft Presidio, OpenDP, Tumult Analytics, Opacus, OpenFHE, TenSEAL, Concrete ML, CrypTen ve SDV kullanılır. Programı tamamlayan katılımcılar Digital Vizyon Akademi sertifikası alır.

Sertifikalandırma

Bu eğitim Katılım Sertifikası ile tamamlanır.

Eğitim başında “Ön Test”, bitiminde “Son Test” uygulanarak gelişim ölçümlenir. Değerlendirme formunu dolduran katılımcılar sertifikalarını alır. Sertifikanızın geçerliliğini Sertifika Sorgulama sayfasından doğrulayabilirsiniz.

Örnek Sertifika

GİZLİLİK KORUMALI MAKİNE ÖĞRENMESİ EĞİTİMİ

Eğitim Hakkında

Neden Bu Eğitim?

Ön Koşullar

Eğitim İçeriği

Makine Öğrenmesinde Gizlilik Sorunu

Mevzuat ve Tasarımda Gizlilik

Klasik Anonimleştirme Teknikleri

Yapılandırılmamış Veride Kişisel Veri

Diferansiyel Gizliliğin Temelleri

Diferansiyel Gizli İstatistik ve Analitik

Diferansiyel Gizli Model Eğitimi (DP-SGD)

Gizlilik Denetimi ve Ampirik Ölçüm

Homomorfik Şifreleme

Şifreli Makine Öğrenmesi Uygulamaları

Güvenli Çok Taraflı Hesaplama (SMPC)

Güvenilir Yürütme Ortamları (TEE)

Gizlilik Korumalı Sentetik Veri

Federe Öğrenme ve Hibrit PET Mimarileri

Kurumsal Uygulama ve Yönetişim

Gizlilik Mimarisi Projesi ve Kapanış

Eğitim Kazanımları

Kimler İçin Uygundur?

Sıkça Sorulan Sorular

Sertifikalandırma

Eğitim Bilgileri

Benzer Programlar

Yapay Zeka Güvenliğine Giriş Eğitimi

Yapay Zeka Kurumsal Strateji Yönetimi Eğitimi

Yapay Zeka Küresel Yönetişim Çerçeveleri Eğitimi