Чудова робота!

Конфіденційність даних і анонімізація в Python

Rebeca Gonzalez

Data engineer

Ви завершили курс

Підсумок: що ви вивчили

• Конфіденційна та неконфіденційна персонально ідентифікована інформація (PII)
• Квазіідентифікатори
• Атаки зв'язування
• Приховування даних
• Маскування даних
• Узагальнення даних
• Генерація синтетичних даних
• Вибірка з розподілів імовірностей для різних типів атрибутів

Моделі приватності: k-anonymity

• Набори даних із k-анонімністю
• Дослідження можливих комбінацій у наборі даних
• Узагальнення даних за ієрархіями та діапазонами
• Уникнення повторної ідентифікації
• Без фальсифікації чи рандомізації даних!

Моделі приватності: диференційна приватність

• Системи диференційної приватності можуть вимірювати й оцінювати приватність під час публікації даних
• Одна з найважливіших сучасних дефініцій приватності

Моделі й операції з диференційною приватністю

• Все більше працюють із моделями машинного та глибокого навчання з диференційною приватністю
• Навчили та запускали різні типи таких моделей!
• Попрактикувалися в поняттях, як-от бюджет приватності та трекінг

Інші корисні бібліотеки

$$ $$

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

Вітаємо!

Конфіденційність даних і анонімізація в Python