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.
Kursplan
Introduktion till Federated Learning
- Översikt över traditionell AI-utbildning vs. federerad inlärning
- Nyckelprinciper och fördelar med federerad inlärning
- Användningsfall för federerad inlärning i Edge AI applikationer
Federated Learning Arkitektur och arbetsflöde
- Förstå klient-server och peer-to-peer federerade inlärningsmodeller
- Dataindelning och decentraliserad modellträning
- Communication protokoll och aggregeringsstrategier
Implementera Federated Learning med TensorFlow Federated
- Installation av TensorFlow Federated för distribuerad AI-utbildning
- Bygga federerade inlärningsmodeller med Python
- Simulera federerad inlärning på edge-enheter
Federated Learning med PyTorch och OpenFL
- Introduktion till OpenFL för federerad inlärning
- Implementering av PyTorch-baserade federerade modeller
- Anpassning av federerade aggregeringstekniker
Optimera prestanda för Edge AI
- Maskinvaruaccelerering för federerad inlärning
- Minska kommunikationsöverhänget och latenstiden
- Adaptiva inlärningsstrategier för resursbegränsade enheter
Dataskydd och säkerhet i Federated Learning
- Integritetsbevarande tekniker (Säker aggregering, Differentierad integritet, Homomorfisk kryptering)
- Åtgärder för att minska risken för dataläckage i federerade AI-modeller
- Regulatorisk efterlevnad och etiska överväganden
Distribuera Federated Learning System
- Installation av federerad inlärning på riktiga edge-enheter
- Övervakning och uppdatering av federerade modeller
- Skalning av federerade inlärningsutplaceringar i företagsmiljöer
Framtida trender och fallstudier
- Emerging forskning inom federerad inlärning och Edge AI
- Fallstudier i verkliga livet inom vård, finans och IoT
- Nästa steg för att utveckla federerade inlärningslösningar
Sammanfattning och nästa steg
Krav
- Stark förståelse för maskininlärning och djupinlärning
- Erfarenhet av programmering och AI-ramverk (Py, TensorFlow eller liknande)
- Grundläggande kunskaper i distribuerad databehandling och nätverk
- Familiaritet med begrepp för dataskydd och säkerhet inom AI
Målgrupp
- AI-forskare
- Dataforskare
- Säkerhetsspecialister
21 timmar