Introduction to Federated Learning

• Podstawowe zrozumienie koncepcji uczenia maszynowego
• Doświadczenie w programowaniu Python
• Znajomość zasad prywatności danych

Publiczność

• Naukowcy zajmujący się danymi
• Entuzjaści uczenia maszynowego
• Początkujący użytkownicy AI

Federated Learning to zdecentralizowane podejście do trenowania modeli uczenia maszynowego na wielu urządzeniach lub serwerach bez udostępniania surowych danych. Ten kurs zapewnia fundamentalne zrozumienie Federated Learning, obejmujące podstawowe pojęcia, korzyści i techniki wprowadzające do wdrażania zdecentralizowanych modeli uczenia maszynowego.

To prowadzone przez instruktora szkolenie na żywo (online lub na miejscu) jest przeznaczone dla początkujących profesjonalistów, którzy chcą poznać podstawy Federated Learning i jego praktyczne zastosowania.

Pod koniec tego szkolenia uczestnicy będą mogli

• Zrozumieć zasady Federated Learning.
• Wdrożyć podstawowe algorytmy Federated Learning.
• Rozwiązać obawy dotyczące prywatności danych za pomocą Federated Learning.
• Zintegrować Federated Learning z istniejącymi przepływami pracy AI.

Format kursu

• Interaktywny wykład i dyskusja.
• Wiele ćwiczeń i praktyki.
• Praktyczne wdrożenie w środowisku laboratoryjnym na żywo.

Opcje dostosowywania kursu

• Aby poprosić o spersonalizowane szkolenie dla tego kursu, skontaktuj się z nami w celu ustalenia szczegółów.

Wprowadzenie do Federated Learning

• Przegląd koncepcji Federated Learning
• Zdecentralizowane szkolenie modeli a tradycyjne scentralizowane podejścia
• Korzyści z Federated Learning w zakresie prywatności i bezpieczeństwa danych

Podstawowe algorytmy Federated Learning

• Wprowadzenie do uśredniania federacyjnego
• Wdrożenie prostego modelu Federated Learning
• Porównanie Federated Learning z tradycyjnym uczeniem maszynowym

Prywatność i bezpieczeństwo danych w Federated Learning

• Zrozumienie obaw związanych z prywatnością danych w sztucznej inteligencji
• Techniki zwiększania prywatności w Federated Learning
• Bezpieczne metody agregacji i szyfrowania danych

Praktyczna implementacja Federated Learning

• Konfiguracja środowiska Federated Learning
• Tworzenie i szkolenie modelu Federated Learning
• Wdrażanie Federated Learning w rzeczywistych scenariuszach

Wyzwania i ograniczenia Federated Learning

• Obsługa danych innych niż ID w Federated Learning
• Communication i kwestie synchronizacji
• Skalowanie Federated Learning dla dużych sieci

Studia przypadków i przyszłe trendy

• Studia przypadków udanych wdrożeń Federated Learning
• Odkrywanie przyszłości Federated Learning
• Pojawiające się trendy w sztucznej inteligencji chroniącej prywatność

Podsumowanie i kolejne kroki