Beau travail !

Confidentialité des données et anonymisation en Python

Rebeca Gonzalez

Data engineer

Vous avez terminé le cours

Gif de Leonardo DiCaprio levant son verre pour féliciter et célébrer

Récapitulatif : ce que vous avez appris

Renseignements personnels (PII) sensibles et non sensibles
Quasi-identifiants
Attaques par appariement
Suppression de données
Masquage de données
Généralisation des données
Génération de données synthétiques
Échantillonnage à partir de distributions de probabilité selon le type d'attribut

Modèles de confidentialité : k-anonymat

Jeux de données k-anonymes
Explorer les combinaisons possibles dans le jeu de données
Généraliser les données par hiérarchies et intervalles
Éviter les réidentifications
Sans falsifier ni randomiser les données !

Modèles de confidentialité : confidentialité différentielle

Les systèmes de confidentialité différentielle mesurent et quantifient la confidentialité lors des diffusions de données
L'une des définitions les plus importantes de la confidentialité aujourd'hui

Modèles et opérations à confidentialité différentielle

On utilise de plus en plus des modèles de Machine et Deep Learning différentiellement privés
Vous avez entraîné et exécuté divers modèles de Machine Learning différentiellement privés !
Vous avez pratiqué des notions avancées comme le budget de confidentialité et son suivi

Autothèques intéressantes

$$ $$

Differential Privacy de Google
TensorFlow Privacy
Outil d'anonymisation des données ARX

Logo Google Open Source

Logo TensorFlow

Félicitations !

Confidentialité des données et anonymisation en Python

Preparing Video For Download...