Bra jobbat!

Dataintegritet och anonymisering i Python

Rebeca Gonzalez

Data engineer

Du har slutfört kursen

Sammanfattning: Vad du har lärt dig

• Känslig och icke-känslig personligt identifierbar information (PII)
• Kvasiidentifierare
• Länkningsattacker
• Datasuppression
• Datamaskering
• Datageneralisering
• Generering av syntetiska data
• Sampling från sannolikhetsfördelningar för olika attributtyper

Integritetsmodeller: k-anonymitet

• K-anonyma datamängder
• Utforska möjliga kombinationer i datamängden
• Generalisera data med hjälp av hierarkier och intervall
• Undvika återidentifieringsattacker
• Utan att förfalska eller randomisera data!

Integritetsmodeller: differentiell integritet

• System för differentiell integritet kan mäta och kvantifiera integritet i datapubliceringar
• En av de viktigaste definitionerna av integritet i dag

Differentiellt privata modeller och operationer

• Allt fler arbetar med differentiellt privata maskin- och djupinlärningsmodeller
• Tränat och kört olika typer av differentiellt privata maskininlärningsmodeller!
• Arbetat med avancerade koncept som integritetsbudget och spårning

Andra intressanta bibliotek

$$ $$

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

Grattis!

Dataintegritet och anonymisering i Python