Federated Learning for Privacy-Preserving AI

• Zrozumienie podstaw uczenia maszynowego
• Podstawowa znajomość zasad prywatności danych
• Doświadczenie w programowaniu Python

Publiczność

• Inżynierowie ds. prywatności
• Specjaliści ds. etyki AI
• Specjaliści ds. prywatności danych

Federated Learning umożliwia szkolenie modeli sztucznej inteligencji w zdecentralizowanych źródłach danych bez narażania prywatności. Ten kurs bada, w jaki sposób Federated Learning można wykorzystać do tworzenia modeli sztucznej inteligencji chroniących prywatność, odnosząc się do wyzwań i zastosowań w tej szybko rozwijającej się dziedzinie.

To prowadzone przez instruktora szkolenie na żywo (na miejscu lub zdalnie) jest przeznaczone dla średnio zaawansowanych profesjonalistów, którzy chcą zrozumieć i zastosować Federated Learning w celu zapewnienia prywatności danych w rozwoju sztucznej inteligencji.

Po zakończeniu tego szkolenia uczestnicy będą w stanie

• Zrozumieć zasady i korzyści płynące z Federated Learning.
• Wdrożyć modele uczenia maszynowego chroniące prywatność przy użyciu technik Federated Learning.
• Rozwiązać wyzwania związane z prywatnością danych w zdecentralizowanym szkoleniu AI.
• Zastosować Federated Learning w rzeczywistych scenariuszach w różnych branżach.

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.

Wprowadzenie do Federated Learning

• Przegląd Federated Learning
• Kluczowe koncepcje i korzyści
• Federated Learning a tradycyjne uczenie maszynowe

Prywatność i bezpieczeństwo danych w sztucznej inteligencji

• Zrozumienie obaw związanych z prywatnością danych w sztucznej inteligencji
• Ramy regulacyjne i zgodność z przepisami (np. GDPR)
• Wprowadzenie do technik ochrony prywatności

Techniki Federated Learning

• Wdrażanie Federated Learning za pomocą Python i PyTorch
• Tworzenie modeli chroniących prywatność przy użyciu frameworków Federated Learning
• Wyzwania w Federated Learning: komunikacja, obliczenia i bezpieczeństwo

Zastosowania Federated Learning w świecie rzeczywistym

• Federated Learning w opiece zdrowotnej
• Federated Learning w finansach i bankowości
• Federated Learning w urządzeniach mobilnych i IoT

Zaawansowane tematy w Federated Learning

• Odkrywanie prywatności różnicowej w Federated Learning
• Bezpieczne techniki agregacji i szyfrowania
• Przyszłe kierunki i pojawiające się trendy

Studia przypadków i praktyczne zastosowania

• Studium przypadku: Wdrażanie Federated Learning w środowisku opieki zdrowotnej
• Praktyczne ćwiczenia z rzeczywistymi zestawami danych
• Praktyczne zastosowania i praca nad projektem

Podsumowanie i kolejne kroki