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

Брой участници


Цена за участник

Предстоящи Курсове

Свързани Kатегории