프라이버시 예산 사용하기

diffprivlib 패키지에는 데이터를 탐색할 수 있는 통계 함수들이 포함되어 있으며, 예를 들어 mean()은 배열 원소의 비공개 평균을 계산합니다. diffprivlib의 tools 모듈에 있는 함수를 사용해 보세요.

여기서는 Heart Failure Prediction 데이터셋의 배열 ages에 대해 비공개 평균을 계산하면서, 프라이버시 손실을 추적하기 위해 프라이버시 예산 회계기 acc를 사용합니다.

diffprivlib의 tools 모듈과 BudgetAccountant 클래스는 이미 불러와져 있습니다.

이 연습은 강의의 일부입니다

Python으로 배우는 데이터 프라이버시와 익명화

실습형 인터랙티브 연습

이 예제를 이 샘플 코드를 완성하여 풀어보세요.

# Initialize budget accountant with epsilon of 1.2
acc = ____

코드 편집 및 실행

이 연습은 강의의 일부입니다

Python으로 배우는 데이터 프라이버시와 익명화

SkillTag.level.advancedSkillTag.label

4.9+

무료로 강의 시작하기

데이터 억제(suppression), 마스킹(masking), 합성 데이터 생성, 일반화 같은 익명화 기법을 직접 적용할 준비를 해 보세요. 이 장에서는 민감 및 비민감 식별정보(PII), 준식별자(quasi-identifiers)를 구분하는 방법과 GDPR의 기초를 배웁니다. 또한 이러한 모범 사례를 지키지 않았을 때 실제로 어떤 문제가 생길 수 있는지 사례를 통해 확인합니다.

Exercise 1: 무엇이 개인 정보이고, 왜 중요할까요?Exercise 2: Privacy is power Exercise 3: 민감한 정보일까요, 비민감 정보일까요?Exercise 4: 민감 속성의 억제(Suppression)Exercise 5: Faker로 데이터 마스킹과 데이터 생성 Exercise 6: 민감한 PII 마스킹하기 Exercise 7: faker로 이름 제거하기 Exercise 8: 데이터 일반화를 활용한 익명화 Exercise 9: 일반화를 통한 식별 위험 낮추기 Exercise 10: 데이터 집계와 데이터 일반화 Exercise 11: 백악관 급여의 상/하한 코딩 적용하기

열의 확률 분포를 따르도록 데이터셋에서 샘플링해 데이터를 익명화하는 방법을 알아봅니다. 그런 다음 연결 공격이나 재식별 공격을 방지하기 위해 k-anonymity 프라이버시 모델을 적용하고, 범주형 변수에서 계층(hierarchy)을 사용해 데이터 일반화를 수행하는 방법을 배웁니다.

Exercise 1: 범주형 데이터 익명화 Exercise 2: 데이터 분포 살펴보기 Exercise 3: 동일한 확률 분포에서 표본 추출하기 Exercise 4: 연속형 데이터 익명화하기 Exercise 5: 서로 다른 분포 Exercise 6: 가장 적합한 연속형 분포에서 샘플링하기 Exercise 7: k-익명성 소개 Exercise 8: 프라이버시 속성 Exercise 9: 구간으로 일반화하기 Exercise 10: 계층을 사용한 데이터 일반화 Exercise 11: 범주형 데이터에 계층 적용하기 Exercise 12: 데이터셋 K-익명화하기

Apple, Google, Uber와 같은 주요 기술 기업이 사용하는 모델인 차등 프라이버시에 대해 학습합니다. 이 장에서는 프라이빗 히스토그램을 생성하고 프라이빗 평균을 계산해 데이터를 탐색해 봅니다. 또한 기업이 데이터 효용성을 높일 수 있도록 지원하는 차등 프라이빗 Machine Learning 모델을 만들어 봅니다.

Exercise 1: 차등 개인정보 보호 소개 Exercise 2: 엡실론(ϵ): 마법의 숫자 Exercise 3: 차등 프라이버시를 적용한 히스토그램 Exercise 4: 프라이버시 예산(Privacy budgets)Exercise 5: 프라이버시 예산 사용하기

현재 연습

Exercise 6: 예산이 남지 않았을 때 Exercise 7: 프라이버시 예산 회계 도구로 데이터 탐색하기 Exercise 8: 차등 개인정보 보호 Machine Learning 모델 Exercise 9: 차등 개인정보 보호 분류기 만들기 Exercise 10: 연봉 예측 Exercise 11: 차등 개인정보 보호 클러스터링 모델 Exercise 12: 데이터 전처리 Exercise 13: 고객 세분화

마지막 장에서는 주성분분석(PCA)과 같은 차원 축소 기법을 적용해 다수 열을 가진 대규모 데이터셋을 익명화하는 방법을 배웁니다. 이어서 Faker를 사용해 현실적이고 일관된 데이터셋을 생성하고, scikit-learn으로 정규 분포를 따르는 합성 데이터셋을 만듭니다. 마지막으로, 강의 전반에서 학습한 내용을 종합해 여러 기법을 결합하고 데이터셋을 안전하게 대중에 공개하는 과정을 마무리합니다.

Exercise 1: 익명화를 위한 PCA Exercise 2: 고차원 데이터의 익명화 Exercise 3: PCA로 데이터 마스킹 Exercise 4: Faker로 현실감 있는 데이터셋 생성하기 Exercise 5: 일관된 합성 데이터셋 Exercise 6: 동일한 확률 분포를 가진 데이터셋 Exercise 7: scikit-learn으로 합성 데이터셋 만들기 Exercise 8: 분류용 데이터셋 생성하기 Exercise 9: 클러스터링용 데이터셋 생성하기 Exercise 10: 데이터셋을 안전하게 공개하기 Exercise 11: 데이터셋 탐색 및 가명 처리(pseudonymization)Exercise 12: 데이터 안전 공개를 위한 직원 데이터 준비 Exercise 13: 잘하셨어요!