Goed gedaan!

Dataprivacy en anonimisering in Python

Rebeca Gonzalez

Data engineer

Je hebt de cursus afgerond

Samenvatting: wat je hebt geleerd

• Gevoelige en niet-gevoelige PII (persoonsgegevens)
• Quasi-identifiers
• Koppelaanvallen
• Datasuppressie
• Datamasking
• Data-generalisatie
• Synthetische data genereren
• Steekproeven uit kansverdelingen voor verschillende attribuuttypen

Privacy­modellen: k-anonimiteit

• K-anonieme datasets
• Combinaties in de dataset verkennen
• Generaliseren met hiërarchieën en bereiken
• Heridentificatie-aanvallen vermijden
• Zonder data te vervalsen of te randomiseren!

Privacy­modellen: differential privacy

• Differential privacy kan privacy in datavrijgaven meten en kwantificeren
• Een van de belangrijkste privacydefinities van nu

Differentieel private modellen en operaties

• Steeds meer mensen werken met differentieel private machine- en deep-learningmodellen
• Je hebt diverse differentieel private ML-modellen getraind en uitgevoerd!
• Je oefende met geavanceerde concepten zoals privacybudget en tracking

Andere interessante libraries

$$ $$

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

Gefeliciteerd!

Dataprivacy en anonimisering in Python