差分隱私的一大成功之處，是把隱私保護型資料分析中「準確度與隱私」的核心取捨，濃縮為單一數字。
在差分隱私系統中，如果 epsilon（$\epsilon$）是一個很小的數值，這對產生的資料代表什麼意義？
本練習屬於課程
將理論付諸實踐，立即體驗我們的互動練習
準備動手套用匿名化技術，例如資料抑制、遮罩、合成資料生成與概化。在本章中，你將學會如何區分敏感與非敏感的可識別個人資訊（PII）、準識別項，以及 GDPR 的基礎。你也會看到真實案例，了解若不遵循這些最佳做法，可能會出現哪些問題。
了解如何透過依欄位機率分佈進行抽樣來匿名化資料。接著你將學會套用 k-匿名性隱私模型，以防範連結或重新識別攻擊，並使用階層來對類別變數執行資料概化。
認識差分隱私——Apple、Google、Uber 等大型科技公司採用的模型。本章中，你將透過產生私有直方圖與計算私有平均值來探索資料。你也會建立具差分隱私的機器學習模型，協助企業提升資料的可用性。
當前練習
在最後一章，你將學會套用降維方法，例如主成分分析（PCA），以匿名化大型多欄資料集。接著你會使用 Faker 產生真實且一致的資料集，並以 scikit-learn 建立服從常態分佈的合成資料集。最後，你會把本課程所學整合起來，結合多種技術，安全地將資料集公開發布。
