K-anonymity का परिचय

Create Your Free Account

By continuing, you accept our Terms of Use, our Privacy Policy and that your data is stored in the USA.

यह अभ्यास पाठ्यक्रम का हिस्सा है

Python में डेटा प्राइवेसी और अज्ञातिकरण

SkillTag.level.advancedSkillTag.label

4.9+

डेटा सप्रेशन, मास्किंग, सिंथेटिक डेटा जेनरेशन, और जनरलाइज़ेशन जैसी अज्ञातिकरण तकनीकों को लागू करने के लिए तैयार हो जाइए। इस अध्याय में, आप संवेदनशील और गैर-संवेदनशील व्यक्तिगत पहचान योग्य जानकारी (PII), क्वाज़ी-आइडेंटिफ़ायर, और GDPR की बुनियादी बातें अलग-अलग पहचानना सीखेंगे। आप यह भी देखेंगे कि इन सर्वोत्तम प्रक्रियाओं का पालन न करने पर वास्तविक दुनिया में क्या गलत हो सकता है।

Exercise 1: क्या निजी है, और हमें इसकी परवाह क्यों करनी चाहिए?Exercise 2: Privacy is power Exercise 3: क्या यह संवेदनशील है या गैर-संवेदनशील?Exercise 4: संवेदनशील एट्रिब्यूट्स का suppression Exercise 5: Faker के साथ डेटा मास्किंग और डेटा जेनरेशन Exercise 6: संवेदनशील PII का मास्किंग Exercise 7: faker के साथ नाम हटाना Exercise 8: डेटा जनरलाइज़ेशन से अनोनिमाइज़ करना Exercise 9: Generalization से पहचान-जोखिम घटाना Exercise 10: डेटा एग्रीगेशन और डेटा जनरलाइज़ेशन Exercise 11: व्हाइट हाउस सैलरीज़ में टॉप और बॉटम कोडिंग

जानिए कि कॉलम की प्रॉबेबिलिटी डिस्ट्रीब्यूशन का पालन करते हुए डेटासेट से सैंपलिंग करके डेटा को कैसे अज्ञात बनाया जाए। फिर आप सीखेंगे कि लिंकिंग या री-आइडेंटिफ़िकेशन अटैक को रोकने के लिए k-anonymity प्राइवेसी मॉडल कैसे लागू करें और कैटेगॉरिकल वैरिएबल्स में डेटा जनरलाइज़ेशन करने के लिए हायरार्की कैसे इस्तेमाल करें।

Exercise 1: Categorical डेटा को अनामित करना Exercise 2: डेटा के वितरण का अन्वेषण करें Exercise 3: एक ही probability distribution से सैंपलिंग Exercise 4: सतत डेटा को अज्ञात (anonymize) करना Exercise 5: Different distributions Exercise 6: सबसे उपयुक्त सतत डिस्ट्रीब्यूशन से सैंपलिंग Exercise 7: K-anonymity का परिचय

वर्तमान अभ्यास

Exercise 8: Privacy attributes Exercise 9: रेंज में Generalization Exercise 10: हाइरार्की के ज़रिए डेटा को सामान्यीकृत करना Exercise 11: Categorical डेटा के लिए हायेरार्की का उपयोग Exercise 12: किसी डेटासेट पर K-anonymity लागू करना

डिफरेंशियल प्राइवेसी के बारे में सीखें—वह मॉडल जिसे Apple, Google, और Uber जैसी बड़ी टेक कंपनियाँ उपयोग करती हैं। इस अध्याय में, आप प्राइवेट हिस्टोग्राम जनरेट करके और प्राइवेट एवरेजेस निकालकर डेटा का अन्वेषण करेंगे। आप डिफरेंशियली प्राइवेट मशीन लर्निंग मॉडल भी बनाएँगे जो व्यवसायों को अपने डेटा की उपयोगिता बढ़ाने में मदद करते हैं।

Exercise 1: Differential privacy का परिचय Exercise 2: Epsilon (ϵ): जादुई नंबर Exercise 3: Differential privacy के साथ Histograms Exercise 4: Privacy budgets Exercise 5: प्राइवेसी बजट का उपयोग Exercise 6: जब बजट शेष न बचे Exercise 7: प्राइवेसी बजट अकाउंटेंट के साथ डेटा एक्सप्लोर करना Exercise 8: Differentially Private मशीन लर्निंग मॉडल्स Exercise 9: Differentially Private classifier बनाएँ Exercise 10: सैलरी का पूर्वानुमान Exercise 11: Differential Privacy के साथ क्लस्टरिंग मॉडल Exercise 12: डेटा का प्री-प्रोसेसिंग Exercise 13: ग्राहकों का सेगमेंटेशन

इस अंतिम अध्याय में, आप principal component analysis (PCA) जैसी डाइमेंशनलिटी रिडक्शन विधियों को लागू करना सीखेंगे ताकि बड़े, मल्टी-कॉलम डेटासेट को अज्ञात बनाया जा सके। इसके बाद, आप Faker का उपयोग करके वास्तविक-से लगने वाले और सुसंगत डेटासेट जनरेट करेंगे, और scikit-learn से ऐसे सिंथेटिक डेटासेट बनाएँगे जो नॉर्मल डिस्ट्रीब्यूशन का पालन करते हों। अंत में, आप इस कोर्स में सीखी गई सभी बातों को समेटते हुए कई तकनीकों को मिलाकर डेटासेट्स को सार्वजनिक रूप से सुरक्षित तरीके से रिलीज़ करेंगे।

Exercise 1: अनोनीमाइज़ेशन के लिए PCA Exercise 2: उच्च-आयामी डेटा का अनामीकरण Exercise 3: PCA के साथ डेटा मास्किंग Exercise 4: Faker के साथ यथार्थपरक डेटासेट बनाना Exercise 5: सुसंगत सिंथेटिक डेटासेट Exercise 6: एक जैसी प्रायिक वितरण वाले डेटासेट Exercise 7: scikit-learn का उपयोग करके सिंथेटिक डेटासेट बनाना Exercise 8: क्लासिफिकेशन के लिए डेटासेट जनरेट करना Exercise 9: क्लस्टरिंग के लिए डेटासेट जेनरेट करना Exercise 10: डेटासेट्स को सुरक्षित रूप से सार्वजनिक करें Exercise 11: किसी डेटासेट का अन्वेषण और छद्म-नामकरण (pseudonymization)Exercise 12: डेटा को सुरक्षित रूप से जारी करने के लिए कर्मचारी डेटा तैयार करना Exercise 13: शानदार काम!