想一想视频中的例子：我们在日常活动中露脸与在人脸识别系统中将人脸用作身份识别时的差别。或者考虑有人发送电子邮件的情境。
在以下选项中，哪一项是对隐私最准确的定义？
本练习是课程的一部分
通过我们的互动练习之一，将理论转化为实践
准备好应用匿名化技术，如数据抑制、掩码、合成数据生成和泛化。在本章中，您将学习区分敏感与非敏感的可识别个人信息（PII）、准标识符，以及 GDPR 的基础知识。您还将看到真实案例，了解不遵循这些最佳实践会带来哪些问题。
当前练习
了解如何通过按列的概率分布进行采样来实现数据匿名化。随后，您将学习应用 k-匿名隐私模型，防止关联或再识别攻击，并使用层级对分类变量执行数据泛化。
学习差分隐私——Apple、Google 和 Uber 等大型科技公司采用的模型。在本章中，您将通过生成私有直方图和计算私有平均值来探索数据。您还将创建差分隐私的机器学习模型，帮助企业在保障隐私的同时提升数据效用。
在最后一章中，您将学习应用降维方法（如主成分分析，PCA）来匿名化大型多列数据集。随后，您将使用 Faker 生成逼真且一致的数据集，并用 scikit-learn 创建服从正态分布的合成数据集。最后，您将把本课程所学整合起来，结合多种技术，安全地向公众发布数据集。
