Thank you for sending your enquiry! One of our team members will contact you shortly.
Thank you for sending your booking! One of our team members will contact you shortly.
Schița de curs
Introducere în Federated Learning
- Panoramă asupra antrenării tradiționale AI vs. federated learning
- Principii și avantaje cheie ale federated learning
- Cazuri de utilizare ale federated learning în aplicațiile Edge AI
Arhitectura și fluxul de lucru al Federated Learning
- Comprehensia modelelor de federated learning client-server și peer-to-peer
- Partitionarea datelor și antrenarea modelului descentralizată
- Protocoale de comunicare și strategii de agregare
Implementarea Federated Learning cu TensorFlow Federated
- Configurarea TensorFlow Federated pentru antrenarea AI distribuită
- Construirea modelelor de federated learning folosind Python
- Simularea federated learning pe dispozitivele Edge
Federated Learning cu PyTorch și OpenFL
- Introducere în OpenFL pentru federated learning
- Implementarea modelelor federate bazate pe PyTorch
- Personalizarea tehnicilor de agregare federată
Optimizarea Performanței pentru Edge AI
- Accelerație hardware pentru federated learning
- Reducerea overheadului de comunicare și întârzierii
- Strategii de învățare adaptive pentru dispozitive cu resurse limitate
Confidențialitatea și securitatea datelor în Federated Learning
- Tehnici de prezență a confidențialității (Agregare Sigură, Privacitate Diferențială, Criptare Homomorphic)
- Mitigația riscurilor de fuga de date în modelele AI federate
- Conformitatea cu reglementările și considerente etice
Implementarea Sistemelor Federated Learning
- Configurarea learning-ului federat pe dispozitivele Edge reale
- Monitorizarea și actualizarea modelelor federate
- Scalarea implementărilor de learning federat în medii enterprise
Trenduri Viitoare și Studii de Caz
- Cercetări emergente în domeniul learning-ului federat și al AI-ului Edge
- Studii de caz din viața reală în sănătate, finanțe și IoT
- Următorii pași pentru a avansa soluțiile learning federat
Rezumat și Următori Pași
Cerințe
- Înțelegere solidă a conceptelor de învățare automată și învățare profundă
- Experiență cu programarea în Python și cadre AI (PyTorch, TensorFlow sau similare)
- Cunoștințe de bază despre calcul distribuit și rețele
- Familiaritate cu conceptele de confidențialitate și securitate a datelor în AI
Publicul vizat
- Cercetători în domeniul AI
- Științifici ai datelor
- Specialisti de securitate
21 ore
