Bravo !
Confidentialité des données et anonymisation en Python
Rebeca Gonzalez
Data engineer
Vous avez terminé le cours
Récapitulatif : ce que vous avez appris
Informations personnelles identifiables (PII) sensibles et non sensibles
Quasi-identifiants
Attaques par recoupement
Suppression de données
Masquage de données
Généralisation des données
Génération de données synthétiques
Échantillonnage à partir de lois de probabilité selon le type d'attributs
Modèles de confidentialité : k-anonymat
Jeux de données k-anonymes
Explorer les combinaisons possibles dans le jeu de données
Généraliser via des hiérarchies et des plages
Éviter les ré-identifications
Sans falsifier ni randomiser les données !
Modèles de confidentialité : confidentialité différentielle
Les systèmes de confidentialité différentielle mesurent et quantifient la confidentialité lors des diffusions de données
L'une des définitions de la confidentialité les plus importantes aujourd'hui
Modèles et opérations différentiellement privés
On utilise de plus en plus des modèles de Machine Learning et d'apprentissage profond différentiellement privés
Vous avez entraîné et exécuté différents modèles de Machine Learning différentiellement privés !
Vous avez pratiqué des notions avancées comme le budget de confidentialité et le suivi
Autres bibliothèques intéressantes
$$ $$
Confidentialité différentielle de Google
TensorFlow Privacy
ARX Data Anonymization Tool
Félicitations !
Confidentialité des données et anonymisation en Python
Preparing Video For Download...