Ottimo lavoro!

Riservatezza dei dati e anonimizzazione in Python

Rebeca Gonzalez

Data engineer

Hai completato il corso

Riepilogo: cosa hai imparato

• PII sensibili e non sensibili (dati personali)
• Quasi-identificatori
• Attacchi di collegamento
• Soppressione dei dati
• Mascheramento dei dati
• Generalizzazione dei dati
• Generazione di dati sintetici
• Campionamento da distribuzioni per diversi tipi di attributi

Modelli di privacy: k-anonimato

• Dataset k-anonimi
• Esplorare le combinazioni possibili nel dataset
• Generalizzare con gerarchie e intervalli
• Evitare la re-identificazione
• Senza falsificare o randomizzare i dati!

Modelli di privacy: differential privacy

• I sistemi di differential privacy misurano e quantificano la privacy nelle pubblicazioni di dati
• Una delle definizioni di privacy più importanti oggi

Modelli e operazioni con differential privacy

• Sempre più persone usano modelli di machine e deep learning con differential privacy
• Hai addestrato ed eseguito vari modelli di ML con differential privacy!
• Hai praticato concetti avanzati come privacy budget e tracking

Altre librerie interessanti

$$ $$

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

Complimenti!

Riservatezza dei dati e anonimizzazione in Python