План на курса

Въведение в Federated Learning

  • Преглед на традиционното AI обучение срещу федеративното обучение
  • Основни принципи и предимства на обединеното обучение
  • Случаи на използване на обединено обучение в Edge AI приложения

Federated Learning Архитектура и работен процес

  • Разбиране на обединени модели на обучение клиент-сървър и peer-to-peer
  • Разделяне на данни и обучение по децентрализиран модел
  • Communication протоколи и стратегии за агрегиране

Внедряване на Federated Learning с TensorFlow Federated

  • Настройка TensorFlow Обединено за разпределено обучение на AI
  • Изграждане на обединени модели за обучение с помощта на Python
  • Симулиране на обединено обучение на крайни устройства

Federated Learning с PyTorch и OpenFL

  • Въведение в OpenFL за обединено обучение
  • Внедряване на обединени модели, базирани на PyTorch.
  • Персонализиране на техники за обединено агрегиране

Оптимизиране на производителността за Edge AI

  • Хардуерно ускорение за обединено обучение
  • Намаляване на разходите за комуникация и забавянето
  • Адаптивни стратегии за обучение за устройства с ограничени ресурси

Поверителност и сигурност на данните в Federated Learning

  • Техники за запазване на поверителността (сигурно агрегиране, диференциална поверителност, хомоморфно криптиране)
  • Намаляване на рисковете от изтичане на данни във федерални AI модели
  • Съответствие с нормативната уредба и етични съображения

Внедряване на Federated Learning системи

  • Настройване на обединено обучение на реални крайни устройства
  • Мониторинг и актуализиране на обединени модели
  • Мащабиране на внедрявания на обединено обучение в корпоративни среди

Бъдещи тенденции и казуси

  • Новопоявили се изследвания във федеративното обучение и Edge AI
  • Казуси от реалния свят в здравеопазването, финансите и интернет на нещата
  • Следващи стъпки за напредване на решенията за обединено обучение

Обобщение и следващи стъпки

Изисквания

  • Силно разбиране на концепциите за машинно обучение и дълбоко обучение
  • Опит с Python програмиране и AI рамки (PyTorch, TensorFlow или подобни)
  • Основни познания за разпределени изчисления и мрежи
  • Познаване на поверителността на данните и концепциите за сигурност в AI

Публика

  • Изследователи на AI
  • Учени по данни
  • Специалисти по сигурността
 21 Часа

Брой участници


Цена за участник

Предстоящи Курсове

Свързани Kатегории