Después de hacer estos cursos, me siento seguro creando visualizaciones y cuadros de mando profesionales
Shoebur RahmanEspecialista en adquisiciones, Giz Bangladesh
Descripción del curso
La privacidad de los datos nunca ha sido tan importante. Pero ¿cómo equilibrar la privacidad con la necesidad de obtener y compartir valiosos insights empresariales? En este curso aprenderás a hacerlo, usando los mismos métodos que emplean Google y Amazon —incluida la generalización de datos y modelos de privacidad como k-Anonymity y differential privacy—. Además de tratar temas como el RGPD, también descubrirás cómo crear y entrenar modelos de Machine Learning en Python protegiendo información sensible de los usuarios, como datos de empleados o ingresos. ¡Vamos allá!
Requisitos previos
Programa de formación
Contenido del curso
1
Introducción a la privacidad de datos
Prepárate para aplicar técnicas de anonimización como supresión de datos, enmascaramiento, generación de datos sintéticos y generalización. En este capítulo, aprenderás a distinguir entre información personal identificable (PII) sensible y no sensible, cuasiidentificadores y los conceptos básicos del RGPD. También verás ejemplos reales de lo que puede salir mal si no sigues estas buenas prácticas.
- ¿Qué es privado y por qué nos importa?50 XP
- La privacidad es poder50 XP
- ¿Es sensible o no sensible?100 XP
- Supresión de atributos sensibles100 XP
- Enmascaramiento de datos y generación de datos con Faker50 XP
- Enmascarar PII sensible100 XP
- Eliminar nombres con faker100 XP
- Anonimización con generalización de datos50 XP
- Reducir el riesgo de identificación con generalización100 XP
- Agregación de datos y generalización de datos50 XP
- Top and bottom coding en los salarios de la Casa Blanca100 XP
2
Más técnicas de preservación de la privacidad
Descubre cómo anonimizar datos muestreando de conjuntos de datos según la distribución de probabilidad de las columnas. Después aprenderás a aplicar el modelo de privacidad k-anonymity para evitar ataques de vinculación o reidentificación y a usar jerarquías para realizar generalización de datos en variables categóricas.
3
Privacidad diferencial
Conoce la privacidad diferencial, el modelo utilizado por grandes tecnológicas como Apple, Google y Uber. En este capítulo, explorarás datos generando histogramas privados y calculando medias privadas. También crearás modelos de Machine Learning con privacidad diferencial que permiten a las empresas aumentar la utilidad de sus datos.
4
Anonimización y publicación de conjuntos de datos
En este capítulo final, aprenderás a aplicar métodos de reducción de dimensionalidad como el análisis de componentes principales (PCA) para anonimizar conjuntos de datos grandes con muchas columnas. Luego usarás Faker para generar conjuntos de datos realistas y coherentes, y scikit-learn para crear conjuntos de datos sintéticos que sigan una distribución normal. Por último, pondrás en práctica todo lo aprendido en el curso combinando múltiples técnicas para publicar conjuntos de datos de forma segura.
Privacidad de datos y anonimización en Python
Curso
completado
