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

Antal deltagare


Price per participant

Upcoming Courses

Relaterade Kategorier