Data Mining allows large database owners to share and extract useful knowledge that could not be deduced with traditional approaches like statistics. However, these sometimes reveal sensitive knowledge or breach individuals' privacy. The term sanitization is given to the process of changing original database into another one from which we can mine without exposing sensitive knowledge. This process should be guided by little distortion on the database. In this dissertation, we address these issues in a data mining branch called Privacy Preserving Data Mining. In particular, we focus on association rule hiding (ARH) and evaluate the heuristic approaches for this purpose. We also apply these heuristic approaches on a number of publicly available datasets and examine the results.
Veri Madenciliği kendi büyük veri tabanını paylaşırken istatistik gibi geleneksel yaklaşımlarla elde edilemeyen yararlı bilgileri elde etmeye denir. Ancak, bu bazen hassas bilgileri açığa çıkarır veya bireysel kişisel gizlilik aşikar eder. Sanitization terimi veri tabanının değiştirilmesi ve yeni bir veri tabanı elde edilerek bu veri tabanı üzerinde yapılan veri madenciliği işlemleri hassas veriyi ortaya çıkarmama işlemine verilen isimdir. Bu işlem veri tabanı üzerinde çok az bozulma ile yönlendirilmelidir. Bu tez çalışmasında, Kişisel Bilgilerin Gizlenmesi Veri Madenciliği üzerine çalışmalar yapılmıştır. Özellikle, Birliktelik Kural Gizleme üzerine odaklanıldı ve sezgisel yaklaşımlarla değerlendirmeler yapıldı. Ayrıca kamuya açık veri kümelerinde bir dizi bu sezgisel yaklaşımları uygulandı ve sonuçlar değerlendirildi.
