After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Cursusbeschrijving
Dataprivacy is belangrijker dan ooit. Maar hoe vind je de balans tussen privacy en de noodzaak om waardevolle zakelijke inzichten te verzamelen en te delen? In deze cursus leer je precies hoe je dat doet, met dezelfde methoden als Google en Amazon—zoals datageneralisatie en privacymodellen zoals k-anonimiteit en differential privacy. Naast onderwerpen als de AVG ontdek je ook hoe je in Python Machine Learning-modellen bouwt en traint terwijl je gevoelige gebruikersinformatie, zoals werknemers- en inkomensgegevens, beschermt. Laten we beginnen!
Vereisten
Curriculum
Cursusoverzicht
1
Introductie tot dataprivacy
Maak je klaar om anonimiseringstechnieken toe te passen, zoals dataonderdrukking, maskeren, synthetische gegevens genereren en generalisatie. In dit hoofdstuk leer je het verschil tussen gevoelige en niet-gevoelige persoonsgegevens (PII), quasi-identifiers en de basis van de AVG. Je ziet ook praktijkvoorbeelden van wat er mis kan gaan als je deze best practices niet volgt.
- Wat is privé, en waarom is dat belangrijk?50 XP
- Privacy is macht50 XP
- Is het gevoelig of niet-gevoelig?100 XP
- Onderdrukking van gevoelige attributen100 XP
- Gegevensmaskering en gegevensgeneratie met Faker50 XP
- Maskeren van gevoelige PII100 XP
- Namen verwijderen met faker100 XP
- Anonymiseren met gegevensgeneralisatie50 XP
- Identificatierisico verminderen met generalisatie100 XP
- Gegevensaggregatie en gegevensgeneralisatie50 XP
- Top- en bottom-coding van salarissen in het Witte Huis100 XP
2
Meer privacybeschermende technieken
Ontdek hoe je data kunt anonimiseren door te sampelen uit gegevenssets volgens de kansverdeling van de kolommen. Daarna leer je het privacymodel k-anonimiteit toepassen om koppelings- of heridentificatieaanvallen te voorkomen en hiërarchieën te gebruiken om datageneralisatie uit te voeren in categorische variabelen.
3
Differential Privacy
Leer over differential privacy, het model dat wordt gebruikt door grote technologiebedrijven zoals Apple, Google en Uber. In dit hoofdstuk verken je data door private histogrammen te genereren en private gemiddelden in data te berekenen. Je maakt ook differentieel private Machine Learning-modellen waarmee bedrijven de bruikbaarheid van hun data kunnen vergroten.
4
Gegevenssets anonimiseren en vrijgeven
In dit laatste hoofdstuk leer je hoe je methoden voor dimensiereductie, zoals principal component analysis (PCA), toepast om grote gegevenssets met meerdere kolommen te anonimiseren. Vervolgens gebruik je Faker om realistische en consistente gegevenssets te genereren, en scikit-learn om synthetische gegevenssets te maken die een normale verdeling volgen. Tot slot breng je alles wat je in deze cursus hebt geleerd samen door meerdere technieken te combineren om gegevenssets veilig openbaar te maken.
Dataprivacy en anonimisering in Python
Cursus
voltooid
