Отличная работа!

Конфиденциальность данных и анонимизация в Python

Rebeca Gonzalez

Data engineer

Вы завершили курс

Итоги: что вы изучили

• Чувствительные и нечувствительные персональные данные (PII)
• Квазиидентификаторы
• Атаки связывания
• Подавление данных
• Маскирование данных
• Обобщение данных
• Генерация синтетических данных
• Выборка из вероятностных распределений для разных типов атрибутов

Модели приватности: k-анонимность

• K-анонимные наборы данных
• Анализ возможных комбинаций в наборе данных
• Обобщение данных с помощью иерархий и диапазонов
• Защита от атак повторной идентификации
• Без фальсификации и рандомизации данных!

Модели приватности: дифференциальная приватность

• Системы дифференциальной приватности позволяют измерять и количественно оценивать конфиденциальность при публикации данных
• Одно из важнейших современных определений приватности

Модели и операции с дифференциальной приватностью

• Всё больше специалистов работают с моделями машинного и глубокого обучения с дифференциальной приватностью
• Вы обучили и запустили различные типы таких моделей!
• Вы освоили продвинутые концепции: бюджет приватности и его отслеживание

Другие полезные библиотеки

$$ $$

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

Поздравляем!

Конфиденциальность данных и анонимизация в Python