After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Опис курсу
Конфіденційність даних як ніколи важлива. Але як збалансувати приватність із потребою збирати та ділитися цінними бізнес-інсайтами? У цьому курсі ви навчитеся робити саме це, використовуючи ті самі методи, що й Google та Amazon, — зокрема узагальнення даних і моделі приватності, як-от k-anonymity та диференційну приватність. Окрім тем на кшталт GDPR, ви також дізнаєтеся, як будувати й тренувати моделі машинного навчання в Python, захищаючи чутливу інформацію користувачів, наприклад дані про працівників і доходи. Почнімо!
Попередні вимоги
Навчальний план
Зміст курсу
1
Вступ до конфіденційності даних
Підготуйтеся застосовувати техніки анонімізації, зокрема приховування даних, маскування, генерацію синтетичних даних і узагальнення. У цьому розділі ви навчитеся розрізняти чутливу та нечутливу персонально ідентифіковану інформацію (PII), квазіідентифікатори та основи GDPR. Ви також побачите реальні приклади того, що може піти не так, якщо не дотримуватися цих найкращих практик.
- Що є приватним і чому це важливо?50 XP
- Приватність — це сила50 XP
- Конфіденційні чи неконфіденційні?100 XP
- Приховування чутливих атрибутів100 XP
- Маскування даних і генерування даних за допомогою Faker50 XP
- Маскування конфіденційних PII100 XP
- Видалення імен за допомогою faker100 XP
- Анонімізація за допомогою узагальнення даних50 XP
- Зменшення ризику ідентифікації за допомогою узагальнення100 XP
- Агрегація даних та узагальнення даних50 XP
- Топ- і боттом-кодування зарплат у Білому домі100 XP
2
Більше про методи збереження приватності
Дізнайтеся, як анонімізувати дані шляхом вибірки з наборів даних відповідно до ймовірнісного розподілу стовпців. Потім ви навчитеся застосовувати модель приватності k-anonymity, щоб запобігти атакам зв'язування або повторної ідентифікації, і використовувати ієрархії для узагальнення даних у категоріальних змінних.
3
Диференційна приватність
Дізнайтеся про диференційну приватність — модель, яку використовують провідні технологічні компанії, зокрема Apple, Google та Uber. У цьому розділі ви досліджуватимете дані, створюючи приватні гістограми та обчислюючи приватні середні значення. Ви також створите диференційно приватні моделі машинного навчання, які дають змогу бізнесу підвищити корисність своїх даних.
4
Анонімізація та публікація наборів даних
У фінальному розділі ви навчитеся застосовувати методи зменшення розмірності, зокрема аналіз головних компонент (PCA), щоб анонімізувати великі багатостовпцеві набори даних. Потім ви використаєте Faker для генерації реалістичних і узгоджених наборів даних, а scikit-learn — для створення синтетичних наборів даних, що відповідають нормальному розподілу. Нарешті, ви поєднаєте все вивчене в цьому курсі, комбінуючи кілька технік, щоб безпечно публікувати набори даних для широкого загалу.
Конфіденційність даних і анонімізація в Python
Курс
завершено
