Благодарим ви, че изпратихте вашето запитване! Един от членовете на нашия екип ще се свърже с вас скоро.
Благодарим ви, че направихте своята резервация! Един от членовете на нашия екип ще се свърже с вас скоро.
План на курса
Въведение в федеративното обучение
- Преглед на традиционното обучение на ИС vs. федеративно обучение
- Основни принципи и предимства на федеративното обучение
- Примери за приложение на федеративното обучение в приложения на Edge AI
Архитектура и процес на федеративното обучение
- Разбиране на клиент-серверни и peer-to-peer модели на федеративното обучение
- Разделяне на данни и децентрализиран обучаващ модел
- Протоколи за комуникация и стратегии за агрегация
Приложение на федеративното обучение с TensorFlow Federated
- Настройка на TensorFlow Federated за разпределено обучение на ИС
- Създаване на модели на федеративното обучение с использоване на Python
- Смущение на федеративното обучение на устройства на периферията
Федеративното обучение с PyTorch и OpenFL
- Въведение в OpenFL за федеративното обучение
- Приложение на модели на федеративното обучение, базирани на PyTorch
- Персонализиране на техники за федеративна агрегация
Оптимизация на производителността за Edge AI
- Ускоряване на оборудването за федеративното обучение
- Намаляване на комуникационната натовареност и закъснение
- Адаптивни стратегии за обучение за устройства с ограничени ресурси
Приватност и сигурност на данните в федеративното обучение
- Техники за запазване на приватността (Secure Aggregation, Differential Privacy, Homomorphic Encryption)
- Смягчаване на рисковете от изтичане на данни в федеративните модели на ИС
- Съответствие на регулациите и етични разсъждения
Развръзка на системи за федеративно обучение
- Настройка на федеративно обучение на истински устройства на периферията
- Мониторинг и обновяване на федеративните модели
- Масштабиране на развръзките на федеративното обучение в корпоративни среди
Будущи тенденции и примери
- Развиващи се изследвания в федеративното обучение и Edge AI
- Реални примери в здравеопазването, финансите и IoT
- Следващи стъпки за развитието на решения за федеративно обучение
Резюме и следващи стъпки
Изисквания
- Добро познание на концепциите на машинно обучение и дълбоко обучение
- Опит в програмиране с Python и AI рамки (PyTorch, TensorFlow или подобни)
- Основни познания в разпределени изчисления и мрежи
- Знание на концепциите за защита на данни и сигурност в AI
Целова публика
- Изследователи в областта на AI
- Специалисти по данни
- Специалисти по сигурност
21 часа