After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Mô tả khóa học
Quyền riêng tư dữ liệu chưa bao giờ quan trọng như hiện nay. Nhưng làm sao cân bằng giữa quyền riêng tư và nhu cầu thu thập, chia sẻ các thông tin kinh doanh giá trị? Trong khóa học này, bạn sẽ học cách làm điều đó bằng các phương pháp tương tự như Google và Amazon—bao gồm khái quát hóa dữ liệu và các mô hình bảo mật như k-Anonymity và differential privacy. Bên cạnh việc đề cập đến các chủ đề như GDPR, bạn cũng sẽ khám phá cách xây dựng và huấn luyện các mô hình Machine Learning trong Python trong khi vẫn bảo vệ thông tin nhạy cảm của người dùng như dữ liệu nhân sự và thu nhập. Bắt đầu thôi!
Yêu cầu tiên quyết
Chương trình học
Đề cương khóa học
1
Giới thiệu về bảo mật dữ liệu
Sẵn sàng áp dụng các kỹ thuật ẩn danh như loại bỏ dữ liệu, che giấu, tạo dữ liệu tổng hợp và khái quát hóa. Trong chương này, bạn sẽ học cách phân biệt giữa thông tin nhận dạng cá nhân (PII) nhạy cảm và không nhạy cảm, các bộ nhận dạng gần đúng (quasi-identifier), cùng những kiến thức cơ bản về GDPR. Bạn cũng sẽ gặp các ví dụ thực tế về những rủi ro có thể xảy ra nếu không tuân thủ các thực tiễn tốt nhất này.
- Thông tin nào là riêng tư, và vì sao chúng ta cần quan tâm?50 XP
- Quyền riêng tư là sức mạnh50 XP
- Nhạy cảm hay không nhạy cảm?100 XP
- Loại bỏ (suppression) thuộc tính nhạy cảm100 XP
- Ẩn dữ liệu và tạo dữ liệu bằng Faker50 XP
- Che giấu (mask) PII nhạy cảm100 XP
- Xóa tên thật bằng faker100 XP
- Ẩn danh bằng cách tổng quát hóa dữ liệu50 XP
- Giảm rủi ro định danh bằng khái quát hóa (generalization)100 XP
- Tổng hợp dữ liệu và khái quát hóa dữ liệu50 XP
- Top code và bottom code lương của Nhà Trắng100 XP
2
Các kỹ thuật bảo toàn quyền riêng tư nâng cao
Khám phá cách ẩn danh dữ liệu bằng cách lấy mẫu từ các tập dữ liệu theo phân phối xác suất của từng cột. Tiếp đó, bạn sẽ học cách áp dụng mô hình bảo mật k-anonymity để ngăn chặn các cuộc tấn công liên kết hoặc tái nhận dạng và sử dụng hệ phân cấp để khái quát hóa dữ liệu ở các biến phân loại.
3
Differential Privacy
Tìm hiểu về differential privacy, mô hình được sử dụng bởi các công ty công nghệ lớn như Apple, Google và Uber. Trong chương này, bạn sẽ khám phá dữ liệu bằng cách tạo biểu đồ tần suất riêng tư và tính trung bình riêng tư. Bạn cũng sẽ tạo các mô hình Machine Learning tuân thủ differential privacy, giúp doanh nghiệp gia tăng tính hữu dụng của dữ liệu.
4
Ẩn danh và phát hành tập dữ liệu
Trong chương cuối, bạn sẽ học cách áp dụng các phương pháp giảm chiều như phân tích thành phần chính (PCA) để ẩn danh các tập dữ liệu lớn nhiều cột. Sau đó, bạn sẽ dùng Faker để tạo ra các tập dữ liệu chân thực và nhất quán, và scikit-learn để tạo dữ liệu tổng hợp theo phân phối chuẩn. Cuối cùng, bạn sẽ tổng hợp mọi thứ đã học trong khóa để kết hợp nhiều kỹ thuật, qua đó phát hành dữ liệu ra công chúng một cách an toàn.
Bảo mật dữ liệu và Ẩn danh trong Python
Hoàn
thành khóa học
