Návrh Školení

Úvod do Federovaného Učení

  • Přehled tradičního učení AI vs. federovánho učení
  • Klíčové principy a výhody federovaného učení
  • Použití federovaného učení v aplikacích s AI na okraji (Edge AI)

Architektura a Pracovní Postup Federovaného Učení

  • Porozumění modelům federovaného učení klient-server a peer-to-peer
  • Rozdělení dat a decentralizované učení modelu
  • Komunikační protokoly a strategie agregace

Implementace Federovaného Učení s TensorFlow Federated

  • Nastavení TensorFlow Federated pro distribuované učení AI
  • Vytváření federovaných modelů učení pomocí Pythonu
  • Simulace federovaného učení na zařízeních na okraji (Edge)

Federováno Učení s PyTorchem a OpenFL

  • Úvod do OpenFL pro federované učení
  • Implementace PyTorch-založených federovaných modelů
  • Vlastní přizpůsobení technik agregace federací

Optimalizace Výkonu pro AI na Okraji (Edge)

  • Acelerace hardwarově podporovaného federovaného učení
  • Snížení komunikačních nákladů a latence
  • Prizpůsobitelné strategie učení pro zařízení s omezenými zdroji

Data Soukromí a Bezpečnost v Federovaném Učení

  • Techniky ochrany soukromí (Zabezpečená Agregace, Diferenciální Soukromí, Homomorfní Šifrování)
  • Omezení rizik odchytavání dat v federovaných modelech AI
  • Právní soulad a etické aspekty

Nasazování Federovaných Učení Systémů

  • Nastavení federovaného učení na skutečných zařízeních na okraji (Edge)
  • Monitorování a aktualizace federovaných modelů
  • Rozšiřování nasazení federovaného učení v podnikovém prostředí

Budoucí Trendy a Případové Studie

  • Vznikající výzkum v federovaném učení a AI na okraji (Edge)
  • Skutečné případové studie v zdravotnictví, financech a IoT
  • Další kroky pro pokrok federovaných řešení učení

Závěr a Části na Budoucí Akce

Požadavky

  • Silný pochopení konceptů strojového a hlubokého učení
  • Zkušenosti s programováním v Pythonu a AI rámci (PyTorch, TensorFlow nebo podobné)
  • Základní znalost distribuovaného výpočtů a síťování
  • Vědomosti o konceptech ochrany dat a bezpečnosti v AI

Cílová skupina

  • Výzkumníci v oblasti umělé inteligence
  • Data scientisti
  • Odborníci na bezpečnost
 21 hodiny

Počet účastníků


Price per participant

Upcoming Courses

Související kategorie