book

Generación Práctica de Datos Sintéticos

by Khaled El Emam, Lucy Mosquera, Richard Hoptroff

October 2024

Intermediate to advanced

166 pages

4h 57m

Spanish

O'Reilly Media, Inc.

Read now

Unlock full access

Convenciones utilizadas en este libroAprendizaje en línea O'ReillyCómo contactar con nosotrosAgradecimientos
Definición de datos sintéticosSíntesis a partir de datos realesSíntesis sin datos realesSíntesis y utilidadLas ventajas de los datos sintéticosAcceso eficaz a los datosPermitir mejores análisisDatos sintéticos como proxyAprender a confiar en los datos sintéticosCasos prácticos de datos sintéticosFabricación y distribuciónSanidadServicios financierosTransporteResumen
Cuándo sintetizarEspectro de identificabilidadCompromisos en la selección de PET para permitir el acceso a los datosCriterios de decisiónPET consideradasMarco de decisiónEjemplos de aplicación del marco de decisiónProyectos de síntesis de datosPasos de la síntesis de datosPreparación de datosEl proceso de síntesis de datosGestión del Programa de SíntesisResumen
Datos de encuadreCómo se distribuyen los datosAjustar distribuciones a datos realesGenerar datos sintéticos a partir de una distribuciónMedir la adecuación de los datos sintéticos a una distribuciónEl dilema del sobreajusteUn poco de escarda ligeraResumen
Marco de Utilidad de Datos Sintéticos: Replicación del AnálisisMarco de Utilidad de Datos Sintéticos: Métricas de UtilidadComparación de distribuciones univariantesComparación de estadísticas bivariantesComparación de modelos de predicción multivarianteDistinguibilidadResumen
Generar datos sintéticos a partir de la teoríaMuestreo de una distribución normal multivarianteInducir Correlaciones con Distribuciones Marginales EspecificadasCópulas con distribuciones marginales conocidasGenerar datos sintéticos realistasAjustar datos reales a distribuciones conocidasUtilizar el aprendizaje automático para ajustar las distribucionesDatos sintéticos híbridosMétodos de aprendizaje automáticoMétodos de aprendizaje profundoSintetizar secuenciasResumen
Tipos de divulgaciónRevelación de identidadAprender algo nuevoDivulgación de atributosRevelación inferencialDivulgación significativa de la identidadDefinir la ganancia de informaciónReunirlo todoPartidos únicosCómo afecta la ley de privacidad a la creación y uso de datos sintéticosCuestiones en el marco del GDPRCuestiones en el marco de la CCPACuestiones en el marco de la HIPAADictamen del Grupo de Trabajo del Artículo 29Resumen
Gestión de la complejidad de los datosPara cada paso de preprocesamiento hay un paso de postprocesamientoTipos de campoLa necesidad de normasNo todos los campos tienen que sintetizarseSintetizar fechasSintetizar la geografíaCampos y tablas de búsquedaDatos que faltan y otras características de los datosSíntesis parcialOrganizar la síntesis de datosCapacidad de cálculoUna caja de herramientas de técnicasSintetizar cohortes frente a conjuntos de datos completosAlimentación continua de datosGarantía de privacidad como certificaciónRealizar estudios de validación para conseguir apoyoPruebas de Intruso Motivado¿Quién es el propietario de los Datos Sintéticos?Conclusiones

Content preview from Generación Práctica de Datos Sintéticos

Capítulo 1. Introducción a la generación de datos sintéticos

Este trabajo se ha traducido utilizando IA. Agradecemos tus opiniones y comentarios: translation-feedback@oreilly.com

Comenzamos este capítulo explicando qué son los datos sintéticos y sus ventajas. Los proyectos de inteligencia artificial y aprendizaje automático (AIML) se llevan a cabo en diversas industrias, y los casos de uso que incluimos en este capítulo pretenden dar una idea de las amplias aplicaciones de la síntesis de datos. También definimos un proyecto AIML de forma bastante amplia, para incluir, por ejemplo, el desarrollo de aplicaciones de software que tengancomponentes AIML.

Definición de datos sintéticos

A nivel conceptual, los datos sintéticos no son datos reales, sino datos que se han generado a partir de datos reales y que tienen las mismas propiedades estadísticas que los datos reales. Esto significa que si un analista trabaja con un conjunto de datos sintéticos, debería obtener resultados de análisis similares a los que obtendría con datos reales. El grado en que un conjunto de datos sintéticos es un sustituto exacto de los datos reales es una medida de utilidad. Denominamos síntesis al proceso de generación de datos sintéticos.

Los datos en este contexto pueden significar cosas diferentes. Por ejemplo, los datos pueden ser datos estructurados, como los que se ven en una base de datos relacional. Los datos también pueden ser texto no estructurado, como notas de médicos, transcripciones de conversaciones ...