Ana içeriğe atla

Kurs

Python ile Veri Gizliliği ve Anonimleştirme

İleri SeviyeBeceri Seviyesi

Güncel 06.2022

Gizlilik koruma teknikleriyle hassas bilgileri işlemeyi öğrenin.

Kursa Ücretsiz Başlayın

PythonMachine Learning

4 sa

16 video

49 Egzersiz

3,850 XP

3,763

Başarı Belgesi

Binlerce şirketten öğrencinin sevgisini kazandı

Bir Ekibi Eğitiyor musunuz?

İşletmeler için deneyin

Kurs Açıklaması

Veri gizliliği hiç bu kadar önemli olmamıştı. Peki, gizliliği değerli iş içgörülerini toplama ve paylaşma ihtiyacıyla nasıl dengelersin? Bu kursta, Google ve Amazon’un kullandığı yöntemlerle—veri genelleştirme ve k-Anonymity ile diferansiyel gizlilik gibi gizlilik modelleri dahil—tam da bunu nasıl yapacağını öğreneceksin. GDPR gibi konulara da değinmenin yanı sıra, çalışan ve gelir verileri gibi hassas bilgileri korurken Python’da Machine Learning modelleri nasıl kurulur ve eğitilir keşfedeceksin. Hadi başlayalım!

Önkoşullar

Unsupervised Learning in Python

1

Veri Gizliliğine Giriş

Veri bastırma, maskeleme, sentetik veri üretimi ve genelleştirme gibi anonimleştirme tekniklerini uygulamaya hazır ol. Bu bölümde, hassas ve hassas olmayan kişisel olarak tanımlanabilir bilgiler (PII), yarı tanımlayıcılar (quasi-identifier) ve GDPR’ın temelleri arasında nasıl ayrım yapacağını öğreneceksin. Ayrıca, bu en iyi uygulamalara uyulmadığında nelerin ters gidebileceğine dair gerçek hayattan örneklerle karşılaşacaksın.

Özel olan nedir ve neden önemseriz?

Gizlilik güçtür

Hassas mı, hassas olmayan mı?

Hassas özniteliklerin bastırılması

Faker ile veri maskeleme ve veri üretimi

Hassas PII’yi maskeleme

faker ile isimleri kaldırma

Veri genelleştirme ile anonimleştirme

Genelleştirme ile kimlik tespit riskini azaltma

Veri toplulaştırma ve veri genelleştirme

Beyaz Saray maaşlarında üst ve alt kodlama

Bölümü Başlat

2

Gizliliği Korumaya Yönelik Teknikler

Sütunların olasılık dağılımını izleyen veri kümelerinden örnekleme yaparak veriyi nasıl anonimleştireceğini keşfet. Ardından, bağlama veya yeniden tanımlama saldırılarını önlemek için k-anonymity gizlilik modelini nasıl uygulayacağını ve kategorik değişkenlerde veri genelleştirmesi yapmak için hiyerarşileri nasıl kullanacağını öğreneceksin.

Kategorik verileri anonimleştirme

Veri dağılımını keşfet

Aynı olasılık dağılımından örnekleme

Sürekli verileri anonimleştirme

Farklı dağılımlar

En iyi sürekli dağılımdan örnekleme

K-anonimliğe giriş

Gizlilik öznitelikleri

Aralıklara genelleme

Hiyerarşiler kullanarak veriyi genelleştirme

Kategorik veriler için hiyerarşileri kullanma

Bir veri kümesini k-anonimleştirme

Bölümü Başlat

3

Diferansiyel Gizlilik

Apple, Google ve Uber gibi büyük teknoloji şirketlerinin kullandığı diferansiyel gizlilik hakkında bilgi edin. Bu bölümde, özel histogramlar üreterek ve veride özel ortalamalar hesaplayarak veri keşfi yapacaksın. Ayrıca, işletmelerin verilerinin faydasını artırmasına olanak tanıyan diferansiyel gizlilikli Machine Learning modelleri oluşturacaksın.

Diferansiyel gizliliğe giriş

Epsilon (ϵ): sihirli sayı

Diferansiyel gizlilikle histogramlar

Gizlilik bütçeleri

Gizlilik bütçelerini kullanma

Hiç bütçe kalmadığında

Gizlilik bütçesi muhasebecisiyle veriyi keşfetme

Farklılaştırılmış gizliliğe sahip Machine Learning modelleri

Farklılaştırılmış gizliliğe sahip bir sınıflandırıcı oluştur

Maaş tahmini

Farklılaştırmalı gizliliğe sahip kümeleme modelleri

Veriyi ön işleme

Müşterileri segmentlere ayırma

Bölümü Başlat

4

Veri Kümelerini Anonimleştirme ve Yayınlama

Bu son bölümde, çok sütunlu büyük veri kümelerini anonimleştirmek için temel bileşen analizi (PCA) gibi boyut indirgeme yöntemlerini nasıl uygulayacağını öğreneceksin. Ardından, gerçekçi ve tutarlı veri kümeleri üretmek için Faker’ı ve normal dağılımı izleyen sentetik veri kümeleri oluşturmak için scikit-learn’ü kullanacaksın. Son olarak, birden fazla tekniği birleştirerek veri kümelerini güvenle kamuya açarken bu kursta öğrendiklerinin tümünü bir araya getireceksin.

Anonimleştirme için PCA

Yüksek boyutlu verilerin anonimleştirilmesi

PCA ile veri maskeleme

Faker ile gerçekçi veri kümeleri oluşturma

Tutarlı sentetik veri kümesi

Aynı olasılıksal dağılıma sahip veri kümeleri

scikit-learn kullanarak sentetik veri kümeleri oluşturma

Sınıflandırma için veri kümeleri oluşturma

Kümeleme için veri kümeleri oluşturma

Veri kümelerini güvenle kamuya aç

Bir veri kümesini keşfetme ve takma adlandırma

Verilerin güvenli yayımlanması için çalışan verilerini hazırlama

Harika iş!

Bölümü Başlat

Python ile Veri Gizliliği ve Anonimleştirme

Kurs
Tamamlandı

Başarı Belgesi Kazanın

Bu kimlik bilgisini LinkedIn profilinize, özgeçmişinize veya CV'nize ekleyin
Sosyal medyada ve performans incelemenizde paylaşınŞimdi kaydolun

Bugün 19 milyondan fazla öğrenciye katılın ve Python ile Veri Gizliliği ve Anonimleştirme eğitimine başlayın!

DataCamp for Mobile ile veri becerilerinizi geliştirin

Mobil kurslarımız ve günde 5 dakikalık kodlama görevlerimizle hareket halindeyken ilerleme kaydedin.