Depois de fazer esses cursos, sinto-me confiante para criar visualizações e painéis profissionais
Shoebur RahmanEspecialista em compras, Giz Bangladesh
Descrição do curso
A privacidade de dados nunca foi tão importante. Mas como equilibrar a privacidade com a necessidade de coletar e compartilhar insights valiosos para o negócio? Neste curso, você vai aprender exatamente isso, usando os mesmos métodos do Google e da Amazon — incluindo generalização de dados e modelos de privacidade, como k-Anonymity e privacidade diferencial. Além de abordar temas como a GDPR, você também vai descobrir como criar e treinar modelos de Machine Learning em Python protegendo informações sensíveis dos usuários, como dados de funcionários e rendimentos. Vamos começar!
Pré-requisitos
Programa de estudos
Conteúdo do curso
1
Introdução à Privacidade de Dados
Prepare-se para aplicar técnicas de anonimização como supressão de dados, mascaramento, geração de dados sintéticos e generalização. Neste capítulo, você vai aprender a diferenciar informações pessoais identificáveis (PII) sensíveis e não sensíveis, quase-identificadores e o básico da GDPR. Você também verá exemplos reais do que pode dar errado se essas boas práticas não forem seguidas.
- O que é privado e por que isso importa?50 XP
- Privacidade é poder50 XP
- É sensível ou não sensível?100 XP
- Supressão de atributos sensíveis100 XP
- Mascaramento de dados e geração de dados com Faker50 XP
- Mascarando PII sensível100 XP
- Removendo nomes com faker100 XP
- Anonimizando com generalização de dados50 XP
- Reduzindo o risco de identificação com generalização100 XP
- Agregação de dados e generalização de dados50 XP
- Top e bottom coding em salários da Casa Branca100 XP
2
Técnicas Avançadas de Preservação de Privacidade
Descubra como anonimizar dados amostrando conjuntos de dados conforme a distribuição de probabilidade das colunas. Em seguida, você vai aprender a aplicar o modelo de privacidade k-anonymity para prevenir ataques de vinculação ou reidentificação e usar hierarquias para realizar generalização de dados em variáveis categóricas.
3
Privacidade Diferencial
Aprenda sobre privacidade diferencial, o modelo usado por grandes empresas de tecnologia como Apple, Google e Uber. Neste capítulo, você vai explorar dados gerando histogramas privados e calculando médias privadas. Você também vai criar modelos de Machine Learning com privacidade diferencial que permitem às empresas aumentar a utilidade dos seus dados.
4
Anonimização e Publicação de Conjuntos de Dados
Neste capítulo final, você vai aprender a aplicar métodos de redução de dimensionalidade, como a Análise de Componentes Principais (PCA), para anonimizar grandes conjuntos de dados com muitas colunas. Em seguida, você usará o Faker para gerar conjuntos de dados realistas e consistentes e o scikit-learn para criar conjuntos de dados sintéticos que seguem uma distribuição normal. Por fim, você vai juntar tudo o que aprendeu no curso ao combinar várias técnicas para liberar conjuntos de dados ao público com segurança.
Privacidade de Dados e Anonimização em Python
Curso
concluído
