Course Outline

Εισαγωγή στο Federated Learning

  • Επισκόπηση της παραδοσιακής εκπαίδευσης AI έναντι της ομοσπονδιακής μάθησης
  • Βασικές αρχές και πλεονεκτήματα της ομοσπονδιακής μάθησης
  • Χρησιμοποιήστε περιπτώσεις ομοσπονδιακής μάθησης σε Edge AI εφαρμογές

Federated Learning Αρχιτεκτονική και ροή εργασίας

  • Κατανόηση των ομόσπονδων μοντέλων μάθησης πελάτη-διακομιστή και peer-to-peer
  • Κατάτμηση δεδομένων και εκπαίδευση αποκεντρωμένων μοντέλων
  • Communication πρωτόκολλα και στρατηγικές συγκέντρωσης

Εφαρμογή Federated Learning με TensorFlow Ομοσπονδιακή

  • Ρύθμιση TensorFlow Ομοσπονδιακή για κατανεμημένη εκπαίδευση AI
  • Δημιουργία ομοσπονδιακών μοντέλων μάθησης χρησιμοποιώντας Python
  • Προσομοίωση ομοσπονδιακής μάθησης σε συσκευές αιχμής

Federated Learning με PyTorch και OpenFL

  • Εισαγωγή στο OpenFL για ομοσπονδιακή μάθηση
  • Εφαρμογή ομοσπονδιακών μοντέλων που βασίζονται στο PyTorch
  • Προσαρμογή τεχνικών ομοσπονδιακής συνάθροισης

Βελτιστοποίηση απόδοσης για Edge AI

  • Επιτάχυνση υλικού για ομοσπονδιακή μάθηση
  • Μείωση των επιβαρύνσεων και του λανθάνοντος χρόνου επικοινωνίας
  • Προσαρμοστικές στρατηγικές μάθησης για συσκευές με περιορισμένους πόρους

Απόρρητο και ασφάλεια δεδομένων στο Federated Learning

  • Τεχνικές διατήρησης της ιδιωτικής ζωής (Ασφαλής Συνάθροιση, Διαφορικό Απόρρητο, Ομόμορφη Κρυπτογράφηση)
  • Μετριασμός των κινδύνων διαρροής δεδομένων σε ομοσπονδιακά μοντέλα τεχνητής νοημοσύνης
  • Κανονιστική συμμόρφωση και ηθικά ζητήματα

Ανάπτυξη Federated Learning Συστημάτων

  • Ρύθμιση ομοσπονδιακής εκμάθησης σε πραγματικές συσκευές αιχμής
  • Παρακολούθηση και ενημέρωση ομοσπονδιακών μοντέλων
  • Κλιμάκωση αναπτύξεων ομοσπονδιακής μάθησης σε εταιρικά περιβάλλοντα

Μελλοντικές Τάσεις και Μελέτες Περιπτώσεων

  • Αναδυόμενη έρευνα στην ομοσπονδιακή μάθηση και Edge AI
  • Μελέτες περιπτώσεων πραγματικού κόσμου στην υγειονομική περίθαλψη, τα οικονομικά και το IoT
  • Επόμενα βήματα για την προώθηση λύσεων ομοσπονδιακής μάθησης

Περίληψη και Επόμενα Βήματα

Requirements

  • Ισχυρή κατανόηση της μηχανικής μάθησης και των εννοιών βαθιάς μάθησης
  • Εμπειρία με Python πλαίσια προγραμματισμού και AI (PyTorch, TensorFlow ή παρόμοια)
  • Βασικές γνώσεις κατανεμημένων υπολογιστών και δικτύωσης
  • Εξοικείωση με τις έννοιες του απορρήτου και της ασφάλειας δεδομένων στο AI

Ακροατήριο

  • Ερευνητές AI
  • Επιστήμονες δεδομένων
  • Ειδικοί σε θέματα ασφάλειας
 21 Hours

Number of participants


Price per participant

Upcoming Courses

Related Categories