Introduction to Federated Learning

• 对机器学习概念的基本理解
• Python 个程式设计经验
• 熟悉数据隐私原则

观众

• 数据科学家
• 机器学习爱好者
• AI 初学者

Federated Learning 是一种去中心化的方法，用于跨多个设备或伺服器训练机器学习模型，而无需共用原始数据。本课程提供了对 Federated Learning 的基本理解，涵盖实现去中心化机器学习模型的基本概念、优势和入门技术。

此讲师指导的现场培训（在线或现场）面向希望学习 Federated Learning 基础知识及其实际应用的初级专业人员。

在本次培训结束时，参与者将能够：

• 理解 Federated Learning 的原理。
• 实现基本的 Federated Learning 演算法。
• 使用 Federated Learning 解决数据隐私问题。
• 将 Federated Learning 集成到现有的 AI 工作流中。

课程形式

• 互动讲座和讨论。
• 大量的练习和练习。
• 在即时实验室环境中动手实施。

课程自定义选项

• 要申请本课程的定制培训，请联系我们进行安排。

介绍 Federated Learning

• Federated Learning 概念概述
• 分散式模型训练与传统集中式方法
• Federated Learning 在隐私和数据安全方面的优势

基本 Federated Learning 演算法

• 联合平均简介
• 简单 Federated Learning 模型的实现
• Federated Learning 与传统机器学习的比较

资料隐私和安全 Federated Learning

• 了解 AI 中的数据隐私问题
• 增强隐私的技术 Federated Learning
• 安全聚合和数据加密方法

Federated Learning 的实际实施

• 设置 Federated Learning 环境
• 构建和训练 Federated Learning 模型
• 在实际场景中部署 Federated Learning

Federated Learning 的挑战和局限性

• 在 Federated Learning 中处理非 IID 数据
• Communication 和同步问题
• 针对大型网路进行扩展Federated Learning

案例研究和未来趋势

• 成功实施的案例研究 Federated Learning
• 探索 Federated Learning 的未来
• 隐私保护 AI 的新兴趋势

总结和后续步骤