After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
รายละเอียดคอร์ส
ความเป็นส่วนตัวของข้อมูลสำคัญกว่าที่เคย แต่จะสร้างสมดุลระหว่างการปกป้องความเป็นส่วนตัวกับการนำข้อมูลไปใช้ประโยชน์ทางธุรกิจได้อย่างไร? ในคอร์สนี้ คุณจะได้เรียนรู้วิธีการที่ Google และ Amazon ใช้จริง ไม่ว่าจะเป็นการทำให้ข้อมูลเป็นแบบทั่วไป (data generalization) และโมเดลความเป็นส่วนตัว เช่น k-Anonymity และ differential privacy นอกจากนี้ยังครอบคลุมหัวข้ออย่าง GDPR รวมถึงวิธีสร้างและฝึกโมเดล machine learning ด้วย Python โดยปกป้องข้อมูลส่วนบุคคลที่ละเอียดอ่อน เช่น ข้อมูลพนักงานและรายได้ มาเริ่มกันเลย!
ข้อกำหนดเบื้องต้น
หลักสูตร
โครงสร้างคอร์ส
1
ความรู้เบื้องต้นเกี่ยวกับความเป็นส่วนตัวของข้อมูล
เริ่มต้นด้วยการประยุกต์ใช้เทคนิคการทำให้ข้อมูลไม่ระบุตัวตน เช่น data suppression, masking, การสร้างข้อมูลสังเคราะห์ (synthetic data generation) และ generalization ในบทนี้ คุณจะได้เรียนรู้วิธีแยกแยะข้อมูลที่สามารถระบุตัวตนได้ทั้งแบบอ่อนไหวและไม่อ่อนไหว (PII) quasi-identifiers และหลักการพื้นฐานของ GDPR พร้อมตัวอย่างจากสถานการณ์จริงที่แสดงให้เห็นว่าจะเกิดอะไรขึ้นหากไม่ปฏิบัติตามแนวทางเหล่านี้
- ข้อมูลส่วนตัวคืออะไร และทำไมถึงสำคัญ?50 XP
- ความเป็นส่วนตัวคือพลัง50 XP
- ละเอียดอ่อนหรือไม่ละเอียดอ่อน?100 XP
- การระงับแอตทริบิวต์ที่ละเอียดอ่อน100 XP
- การปิดบังข้อมูลและการสร้างข้อมูลด้วย Faker50 XP
- การปิดบังข้อมูล PII ที่ละเอียดอ่อน100 XP
- การลบชื่อด้วย faker100 XP
- การปกปิดข้อมูลด้วยการทำให้เป็นภาพรวม50 XP
- ลดความเสี่ยงในการระบุตัวตนด้วยการทำ Generalization100 XP
- Data aggregation และ data generalization50 XP
- การทำ Top และ Bottom Coding กับข้อมูลเงินเดือนของ White House100 XP
2
เทคนิคการปกป้องความเป็นส่วนตัวเพิ่มเติม
เรียนรู้วิธีทำให้ข้อมูลไม่ระบุตัวตนโดยการสุ่มตัวอย่างจากชุดข้อมูลตามการกระจายความน่าจะเป็นของแต่ละคอลัมน์ จากนั้นจะได้ศึกษาการนำโมเดล k-anonymity ไปใช้เพื่อป้องกันการโจมตีแบบ linkage และ re-identification รวมถึงการใช้ hierarchies เพื่อทำ data generalization สำหรับตัวแปรเชิงหมวดหมู่
3
Differential Privacy
เรียนรู้เรื่อง differential privacy ซึ่งเป็นโมเดลที่บริษัทเทคโนโลยีชั้นนำอย่าง Apple, Google และ Uber นำไปใช้จริง ในบทนี้ คุณจะสำรวจข้อมูลด้วยการสร้างฮิสโตแกรมแบบ private และคำนวณค่าเฉลี่ยแบบ private นอกจากนี้ยังจะได้สร้างโมเดล machine learning ที่ใช้ differential privacy เพื่อช่วยให้ธุรกิจได้ประโยชน์สูงสุดจากข้อมูลของตน
4
การทำให้ข้อมูลไม่ระบุตัวตนและการเผยแพร่ชุดข้อมูล
ในบทสุดท้ายนี้ คุณจะได้เรียนรู้การใช้วิธีลดมิติข้อมูล (dimensionality reduction) เช่น principal component analysis (PCA) เพื่อทำให้ชุดข้อมูลขนาดใหญ่ที่มีหลายคอลัมน์ไม่ระบุตัวตน จากนั้นจะใช้ Faker ในการสร้างชุดข้อมูลที่สมจริงและสอดคล้องกัน และใช้ scikit-learn สร้างชุดข้อมูลสังเคราะห์ที่เป็นไปตามการกระจายแบบปกติ สุดท้ายคือการนำทุกสิ่งที่เรียนมาตลอดคอร์สมารวมกัน เพื่อเผยแพร่ชุดข้อมูลต่อสาธารณะได้อย่างปลอดภัย
ความเป็นส่วนตัวของข้อมูลและการทำให้ข้อมูลไม่ระบุตัวตนด้วย Python
เรียนจบแล้ว
