学完这些课程后，我对创建专业的可视化图表和仪表板充满信心
Shoebur Rahman采购专员，Giz Bangladesh
课程简介
数据隐私比以往任何时候都更重要。但如何在保护隐私与获取、共享有价值的业务洞见之间取得平衡？在本课程中，您将学习如何做到这一点，使用与 Google 和 Amazon 相同的方法——包括数据泛化与隐私模型，如 k-匿名和差分隐私。除涉及 GDPR 等主题外，您还将学习如何在 Python 中构建和训练机器学习模型，同时保护用户的敏感信息，如员工与收入数据。现在就开始吧！
先修要求
课程体系
课程大纲
1
数据隐私入门
准备好应用匿名化技术，如数据抑制、掩码、合成数据生成和泛化。在本章中，您将学习区分敏感与非敏感的可识别个人信息（PII）、准标识符，以及 GDPR 的基础知识。您还将看到真实案例，了解不遵循这些最佳实践会带来哪些问题。
2
更多隐私保护技术
了解如何通过按列的概率分布进行采样来实现数据匿名化。随后，您将学习应用 k-匿名隐私模型，防止关联或再识别攻击，并使用层级对分类变量执行数据泛化。
3
差分隐私
学习差分隐私——Apple、Google 和 Uber 等大型科技公司采用的模型。在本章中，您将通过生成私有直方图和计算私有平均值来探索数据。您还将创建差分隐私的机器学习模型，帮助企业在保障隐私的同时提升数据效用。
4
数据集匿名化与发布
在最后一章中，您将学习应用降维方法（如主成分分析，PCA）来匿名化大型多列数据集。随后，您将使用 Faker 生成逼真且一致的数据集，并用 scikit-learn 创建服从正态分布的合成数据集。最后，您将把本课程所学整合起来，结合多种技术，安全地向公众发布数据集。
Python 中的数据隐私与匿名化
课程已完成
