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.
Plan Szkolenia
Wprowadzenie do Federated Learning
- Przegląd tradycyjnego szkolenia AI vs. uczenie federacyjne
- Kluczowe zasady i zalety uczenia federacyjnego
- Przypadki użycia uczenia federacyjnego w Edge AI aplikacjach
Architektura i przepływ pracy Federated Learning
- Zrozumienie modeli uczenia federacyjnego klient-serwer i peer-to-peer
- Podział danych i zdecentralizowane szkolenie modeli
- Protokoły i strategie agregacji Communication
Wdrażanie Federated Learning z TensorFlow Federated
- Konfigurowanie TensorFlow Federated do rozproszonego szkolenia AI
- Tworzenie federacyjnych modeli uczenia się przy użyciu Python
- Symulowanie uczenia federacyjnego na urządzeniach brzegowych
Federated Learning z PyTorch i OpenFL
- Wprowadzenie do OpenFL dla uczenia federacyjnego
- Wdrażanie modeli federacyjnych opartych na PyTorch
- Dostosowywanie federacyjnych technik agregacji
Optymalizacja wydajności dla Edge AI
- Akceleracja sprzętowa dla uczenia federacyjnego
- Zmniejszenie narzutu komunikacyjnego i opóźnień
- Adaptacyjne strategie uczenia się dla urządzeń o ograniczonych zasobach
Prywatność i bezpieczeństwo danych w Federated Learning
- Techniki ochrony prywatności (bezpieczna agregacja, prywatność różnicowa, szyfrowanie homomorficzne)
- Ograniczanie ryzyka wycieku danych w sfederowanych modelach sztucznej inteligencji
- Zgodność z przepisami i kwestie etyczne
Wdrażanie systemów Federated Learning
- Konfigurowanie federacyjnego uczenia się na rzeczywistych urządzeniach brzegowych
- Monitorowanie i aktualizowanie modeli federacyjnych
- Skalowanie wdrożeń federacyjnego uczenia się w środowiskach korporacyjnych
Przyszłe trendy i studia przypadków
- Pojawiające się badania w zakresie federacyjnego uczenia się i Edge AI
- Rzeczywiste studia przypadków w opiece zdrowotnej, finansach i IoT
- Kolejne kroki w kierunku rozwoju rozwiązań federacyjnego uczenia się
Podsumowanie i kolejne kroki
Wymagania
- Dobre zrozumienie koncepcji uczenia maszynowego i głębokiego uczenia
- Doświadczenie z programowaniem Python i frameworkami AI (PyTorch, TensorFlow lub podobnymi)
- Podstawowa znajomość obliczeń rozproszonych i sieci
- Znajomość koncepcji prywatności i bezpieczeństwa danych w sztucznej inteligencji
Odbiorcy
- Badacze sztucznej inteligencji
- Naukowcy zajmujący się danymi
- Specjaliści ds. bezpieczeństwa
21 godzin
