Build your ultimate AI agent
Kursbeschreibung
Datenschutz war noch nie so wichtig. Aber wie bringst du Privatsphäre mit dem Bedarf in Einklang, wertvolle Business-Insights zu sammeln und zu teilen? In diesem Kurs lernst du genau das – mit denselben Methoden wie Google und Amazon, darunter Datengeneralisierung und Datenschutzmodelle wie k-Anonymität und Differenzielle Privatsphäre. Neben Themen wie der DSGVO erfährst du außerdem, wie du in Python Machine-Learning-Modelle erstellst und trainierst, während du sensible Informationen von Nutzerinnen und Nutzern, etwa Mitarbeiter- und Einkommensdaten, schützt. Legen wir los!
Voraussetzungen
Lernprogramm
Kursübersicht
1
Einführung in den Datenschutz
Mach dich bereit, Anonymisierungstechniken wie Datenunterdrückung, Maskierung, synthetische Datengenerierung und Generalisierung anzuwenden. In diesem Kapitel lernst du, zwischen sensiblen und nicht sensiblen personenbezogenen Daten (PII), Quasi-Identifikatoren und den Grundlagen der DSGVO zu unterscheiden. Außerdem siehst du reale Beispiele dafür, was schiefgehen kann, wenn diese Best Practices nicht beachtet werden.
- Was ist privat – und warum ist das wichtig?50 XP
- Privacy is power50 XP
- Ist es sensibel oder nicht sensibel?100 XP
- Unterdrückung sensibler Attribute100 XP
- Datenmaskierung und Datengenerierung mit Faker50 XP
- Maskierung sensibler PII100 XP
- Namen mit faker entfernen100 XP
- Anonymisieren mit Datengeneralisierung50 XP
- Identifizierungsrisiko mit Generalisierung senken100 XP
- Datenaggregation und Datengeneralisierung50 XP
- Top- und Bottom-Coding für Gehälter im Weißen Haus100 XP
2
Weitere Privacy-preserving-Techniken
Entdecke, wie du Daten anonymisieren kannst, indem du aus Datensätzen gemäß der Wahrscheinlichkeitsverteilung der Spalten samplest. Anschließend lernst du, das Datenschutzmodell der k-Anonymität anzuwenden, um Linkage- oder Re-Identifizierungsangriffe zu verhindern, und Hierarchien zu nutzen, um Generalisierung bei kategorialen Variablen durchzuführen.
3
Differenzielle Privatsphäre
Lerne differenzielle Privatsphäre kennen – das Modell, das von großen Tech-Unternehmen wie Apple, Google und Uber verwendet wird. In diesem Kapitel untersuchst du Daten, indem du private Histogramme erzeugst und private Mittelwerte berechnest. Außerdem erstellst du differentielle Machine-Learning-Modelle, die Unternehmen dabei helfen, den Nutzen ihrer Daten zu erhöhen.
4
Datensätze anonymisieren und veröffentlichen
In diesem letzten Kapitel lernst du, wie du Methoden zur Dimensionsreduktion wie die Hauptkomponentenanalyse (PCA) anwendest, um große Datensätze mit vielen Spalten zu anonymisieren. Anschließend nutzt du Faker, um realistische und konsistente Datensätze zu generieren, und scikit-learn, um synthetische Datensätze zu erstellen, die einer Normalverteilung folgen. Zum Schluss führst du alles aus diesem Kurs zusammen, indem du mehrere Techniken kombinierst, um Datensätze sicher der Öffentlichkeit zugänglich zu machen.
Datenschutz und Anonymisierung mit Python
Kurs
abgeschlossen
