Ótimo trabalho!

Privacidade de Dados e Anonimização em Python

Rebeca Gonzalez

Data engineer

Você concluiu o curso

Recapitulando: o que você aprendeu

• Informações pessoais identificáveis (PII) sensíveis e não sensíveis
• Quase-identificadores
• Ataques por vinculação
• Supressão de dados
• Mascaramento de dados
• Generalização de dados
• Geração de dados sintéticos
• Amostragem de distribuições de probabilidade para diferentes tipos de atributos

Modelos de privacidade: k-anonymity

• Conjuntos de dados k-anônimos
• Explorar combinações possíveis no conjunto de dados
• Generalizar dados com hierarquias e faixas
• Evitar ataques de reidentificação
• Sem falsificar ou randomizar dados!

Modelos de privacidade: privacidade diferencial

• Sistemas de privacidade diferencial medem e quantificam privacidade em divulgações de dados
• Uma das definições mais importantes de privacidade hoje

Modelos e operações com privacidade diferencial

• Cada vez mais se trabalha com modelos de Machine Learning e deep learning com privacidade diferencial
• Você treinou e executou vários tipos de modelos de Machine Learning com privacidade diferencial!
• Praticou conceitos avançados como orçamento de privacidade e rastreamento

Outras bibliotecas interessantes

$$ $$

• Google's differential privacy
• TensorFlow Privacy
• ARX Data Anonymization Tool

Parabéns!

Privacidade de Dados e Anonimização em Python