Świetna robota!

Prywatność danych i anonimizacja w Pythonie

Rebeca Gonzalez

Data engineer

Kurs został ukończony

Podsumowanie: czego się nauczyłeś(-aś)

• Wrażliwe i niewrażliwe dane osobowe (PII)
• Quasi-identyfikatory
• Ataki przez powiązanie
• Tłumienie danych
• Maskowanie danych
• Generalizacja danych
• Generowanie danych syntetycznych
• Próbkowanie z rozkładów prawdopodobieństwa dla różnych typów atrybutów

Modele prywatności: k-anonimowość

• Zbiory danych k-anonimowe
• Eksploracja możliwych kombinacji w zbiorze danych
• Generalizacja danych przy użyciu hierarchii i zakresów
• Zapobieganie atakom re-identyfikacji
• Bez fałszowania ani losowego zaburzania danych!

Modele prywatności: prywatność różniczkowa

• Systemy prywatności różniczkowej pozwalają mierzyć i kwantyfikować prywatność w ujawnianych danych
• Jedna z najważniejszych definicji prywatności we współczesnym świecie

Różniczkowo prywatne modele i operacje

• Coraz więcej osób pracuje z różniczkowo prywatnymi modelami uczenia maszynowego i głębokiego
• Trenowanie i uruchamianie różnych typów różniczkowo prywatnych modeli ML!
• Ćwiczenie zaawansowanych konceptów, takich jak budżet prywatności i śledzenie

Inne interesujące biblioteki

$$ $$

• Prywatność różniczkowa Google
• TensorFlow Privacy
• ARX Data Anonymization Tool

Gratulacje!

Prywatność danych i anonimizacja w Pythonie