Dopo aver seguito questi corsi, mi sento sicuro nel creare visualizzazioni e dashboard professionali
Shoebur RahmanSpecialista degli acquisti, Giz Bangladesh
Descrizione del corso
La tutela della privacy dei dati non è mai stata così importante. Ma come bilanciare la privacy con l’esigenza di raccogliere e condividere insight di business di valore? In questo corso imparerai a farlo, usando gli stessi metodi di Google e Amazon—tra cui generalizzazione dei dati e modelli di privacy come k-Anonymity e differential privacy. Oltre a toccare temi come il GDPR, scoprirai anche come creare e addestrare modelli di Machine Learning in Python proteggendo le informazioni sensibili degli utenti, come dati su dipendenti e redditi. Iniziamo!
Prerequisiti
Programma
Struttura del corso
1
Introduzione alla riservatezza dei dati
Preparati ad applicare tecniche di anonimizzazione come soppressione dei dati, mascheramento, generazione di dati sintetici e generalizzazione. In questo capitolo imparerai a distinguere tra PII (informazioni personali identificabili) sensibili e non sensibili, quasi-identificatori e le basi del GDPR. Vedrai anche esempi reali di cosa può andare storto se non segui queste buone pratiche.
- Cosa è privato e perché ci interessa?50 XP
- La privacy è potere50 XP
- È sensibile o non sensibile?100 XP
- Soppressione di attributi sensibili100 XP
- Data masking e generazione di dati con Faker50 XP
- Mascherare PII sensibili100 XP
- Rimozione dei nomi con faker100 XP
- Anonimizzazione con la generalizzazione dei dati50 XP
- Ridurre il rischio di identificazione con la generalizzazione100 XP
- Aggregazione dei dati e generalizzazione dei dati50 XP
- Top e bottom coding degli stipendi della Casa Bianca100 XP
2
Tecniche per preservare la privacy: approfondimenti
Scopri come anonimizzare i dati campionando da insiemi di dati seguendo la distribuzione di probabilità delle colonne. Imparerai poi ad applicare il modello di privacy k-anonymity per prevenire attacchi di collegamento o re-identificazione e a usare gerarchie per effettuare la generalizzazione dei dati nelle variabili categoriche.
3
Differential Privacy
Approfondisci la differential privacy, il modello utilizzato da grandi aziende tecnologiche come Apple, Google e Uber. In questo capitolo esplorerai i dati generando istogrammi privati e calcolando medie private. Creerai anche modelli di Machine Learning differenzialmente privati che consentono alle aziende di aumentare l’utilità dei propri dati.
4
Anonimizzazione e pubblicazione di insiemi di dati
In questo capitolo finale imparerai ad applicare metodi di riduzione della dimensionalità, come l’analisi delle componenti principali (PCA), per anonimizzare grandi insiemi di dati multi-colonna. Userai poi Faker per generare insiemi di dati realistici e coerenti e scikit-learn per creare insiemi di dati sintetici che seguono una distribuzione normale. Infine, metterai insieme tutto ciò che hai imparato nel corso combinando più tecniche per pubblicare in sicurezza insiemi di dati al pubblico.
Riservatezza dei dati e anonimizzazione in Python
Corso
completato
