After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Deskripsi Kursus
Privasi data tidak pernah sepenting sekarang. Namun, bagaimana Anda menyeimbangkan privasi dengan kebutuhan untuk mengumpulkan dan berbagi wawasan bisnis yang berharga? Dalam kursus ini, Anda akan mempelajari caranya, menggunakan metode yang sama seperti Google dan Amazon—termasuk generalisasi data dan model privasi seperti k-Anonymity dan differential privacy. Selain membahas topik seperti GDPR, Anda juga akan mempelajari cara membangun dan melatih model Machine Learning di Python sambil melindungi informasi sensitif pengguna seperti data karyawan dan pendapatan. Mari kita mulai!
Prasyarat
Kurikulum
Garis besar kursus
1
Pengantar Privasi Data
Bersiaplah untuk menerapkan teknik anonimisasi seperti penekanan data, masking, pembuatan data sintetis, dan generalisasi. Pada bab ini, Anda akan belajar membedakan antara informasi identitas pribadi (PII) yang sensitif dan tidak sensitif, quasi-identifier, serta dasar-dasar GDPR. Anda juga akan melihat contoh nyata tentang apa yang bisa terjadi jika praktik terbaik ini tidak diikuti.
- Apa yang bersifat privat, dan mengapa kita peduli?50 XP
- Privasi adalah kekuatan50 XP
- Apakah sensitif atau tidak sensitif?100 XP
- Supresi atribut sensitif100 XP
- Penyamaran data dan pembuatan data dengan Faker50 XP
- Masking PII sensitif100 XP
- Menghapus nama dengan faker100 XP
- Anonimisasi dengan generalisasi data50 XP
- Mengurangi risiko identifikasi dengan generalisasi100 XP
- Agregasi data dan generalisasi data50 XP
- Top dan bottom coding untuk gaji White House100 XP
2
Teknik Perlindungan Privasi Lanjutan
Pelajari cara menganonimkan data dengan melakukan sampling dari himpunan data yang mengikuti distribusi probabilitas kolom. Anda kemudian akan mempelajari cara menerapkan model privasi k-anonymity untuk mencegah serangan pengaitan atau re-identifikasi dan menggunakan hierarki untuk melakukan generalisasi data pada variabel kategorikal.
3
Differential Privacy
Pelajari differential privacy, model yang digunakan oleh perusahaan teknologi besar seperti Apple, Google, dan Uber. Pada bab ini, Anda akan mengeksplorasi data dengan membuat histogram privat dan menghitung rata-rata privat pada data. Anda juga akan membuat model Machine Learning yang berbedaial secara privat yang memungkinkan bisnis meningkatkan utilitas data mereka.
4
Menganonimkan dan Merilis Himpunan Data
Pada bab terakhir ini, Anda akan mempelajari cara menerapkan metode reduksi dimensi seperti principal component analysis (PCA) untuk menganonimkan himpunan data besar dengan banyak kolom. Anda kemudian akan menggunakan Faker untuk menghasilkan himpunan data yang realistis dan konsisten, serta scikit-learn untuk membuat himpunan data sintetis yang mengikuti distribusi normal. Terakhir, Anda akan menggabungkan semua yang dipelajari dalam kursus ini dengan memadukan berbagai teknik untuk merilis himpunan data ke publik secara aman.
Privasi Data dan Anonimisasi di Python
Kursus
Selesai
