Kerja bagus!

Privasi Data dan Anonimisasi di Python

Rebeca Gonzalez

Data engineer

Anda telah menyelesaikan kursus ini

Ringkasan: Apa yang telah Anda pelajari

• PII sensitif dan non-sensitif (identitas pribadi)
• Kuasi-identifer
• Serangan pengaitan (linkage)
• Penyekatan data
• Penyamaran data
• Generalisasi data
• Pembuatan data sintetis
• Pengambilan sampel dari distribusi peluang untuk berbagai jenis atribut

Model privasi: k-anonymity

• Dataset k-anonim
• Menjelajah kombinasi yang mungkin dalam dataset
• Menggeneralisasi data dengan hierarki dan rentang
• Menghindari serangan re-identifikasi
• Tanpa memalsukan atau merandomkan data!

Model privasi: differential privacy

• Sistem differential privacy dapat mengukur dan mengkuantifikasi privasi pada rilis data
• Salah satu definisi privasi terpenting saat ini

Model dan operasi ber-differential privacy

• Semakin banyak orang memakai model machine dan deep learning dengan differential privacy
• Melatih dan menjalankan berbagai model machine learning ber-differential privacy!
• Menerapkan konsep lanjut seperti privacy budget dan pelacakan

Pustaka menarik lainnya

$$ $$

• Differential privacy Google
• TensorFlow Privacy
• ARX Data Anonymization Tool

Selamat!

Privasi Data dan Anonimisasi di Python