Algorytmiczne i matematyczne podstawy ochrony prywatności

Informacje ogólne

Kod przedmiotu:	1000-2M19AOP	Kod Erasmus / ISCED:	11.3 / (0612) Database and network design and administration
Nazwa przedmiotu:	Algorytmiczne i matematyczne podstawy ochrony prywatności
Jednostka:	Wydział Matematyki, Informatyki i Mechaniki
Grupy:	Przedmioty monograficzne dla III - V roku informatyki Przedmioty obieralne dla informatyki
Punkty ECTS i inne:	(brak) zobacz reguły punktacji
Język prowadzenia:	polski
Rodzaj przedmiotu:	monograficzne
Skrócony opis:	Kurs prezentuje podstawowe algorytmy i powiązane z nimi techniki matematyczne, które mają zapewnić ochronę prywatności przy ujawnianiu/przetwarzaniu danych. Kurs oparty jest o najnowsze wyniki związane z tzw. prywatnością różnicową (differentia privacy), która obecnie uważana jest za jedyny standard zarówno w badaniach teoretycznych, jak i zastosowaniach praktycznych.
Pełny opis:	Kurs prezentuje podstawowe algorytmy i powiązane z nimi techniki matematyczne, które mają zapewnić ochronę prywatności przy ujawnianiu/przetwarzaniu danych. Kurs oparty jest o najnowsze wyniki związane z tzw. prywatnością różnicową (differentia privacy), która obecnie uważana jest za jedyny standard zarówno w badaniach teoretycznych, jak i zastosowaniach praktycznych. 1.Wprowadzenie – czym jest prywatność różnicowa ? (1 wykład) 2. Rachunek prawdopodobieństwa – przegląd podstawowych faktów (1 wykład) 3. Prywatność różnicowa; metody Gaussa i Laplace’a (1-2 wykłady) 4. Mechanizm eksponencjalny; twierdzenia o łączeniu mechanizmów (1-2 wykłady) 5. Prywatność dla zapytań liniowych (2 wykłady) 6. Konstrukcja mechanizmów zapewniających prywatność (2-3 wykłady) 7. Prywatność przy ciągłej obserwacji (2-3 wykłady) 8. Ograniczenia dolne i złożnoność obliczeniowa (1-2 wykłady) 9. Prywatność a uczenie maszynowe (2-3 wykłady) 10. Prywatność różnicowa a krypografia (2-3 wykłady)
Literatura:	[1] Cynthia Dwork, Aaron Roth, The Algorithmic Foundations of Differential Privacy, Fundations and trends in TCS, 2014 [2] Attoh-Okine Nii O., Big Data and Differential Privacy, John Wiley & Sons Inc, 2017
Efekty uczenia się:	K_U01 Posiada umiejętności konstruowania rozumowań matematycznych
Metody i kryteria oceniania:	Egzamin (60%) + 2 programistyczne zadania domowe (40%)

Przedmiot nie jest oferowany w żadnym z aktualnych cykli dydaktycznych.

Opisy przedmiotów w USOS i USOSweb są chronione prawem autorskim.
Właścicielem praw autorskich jest Uniwersytet Warszawski.