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-träning vs. federated learning
- Nyckelprinciper och fördelar med federated learning
- Användningsområden för federated learning i Edge AI-applikationer
Arkitektur och Arbetsflöde för Federated Learning
- Förståelse för klient-server och peer-to-peer-federated learning-modeller
- Datauppdelning och decentraliserad modellträning
- Kommunikationsprotokoll och aggregationsstrategier
Implementering av Federated Learning med TensorFlow Federated
- Inställning av TensorFlow Federated för fördelad AI-träning
- Bygga federated learning-modeller med Python
- Simulera federated learning på kantenheter
Federated Learning med PyTorch och OpenFL
- Introduktion till OpenFL för federated learning
- Implementering av PyTorch-baserade federated modeller
- Anpassning av federated aggregationsmetoder
Optimering av Prestanda för Edge AI
- Hårdvaruacceleration för federated learning
- Minska kommunikationsöverhuvud och latens
- Adaptiva lärstrategier för resursbegränsade enheter
Datasekretess och Säkerhet i Federated Learning
- Sekretessbevarande tekniker (Secure Aggregation, Differential Privacy, Homomorphic Encryption)
- Minska risker för dataläckage i federated AI-modeller
- Regleringsöverensstämmelse och etiska överväganden
Distribuering av Federated Learning-System
- Inställning av federated learning på verkliga kantenheter
- Övervakning och uppdatering av federated modeller
- Skalning av federated learning-distributioner i företagsmiljöer
Framtida Trender och Fallstudier
- Uppkommande forskning inom federated learning och Edge AI
- Reella fallstudier inom hälsovård, finans och IoT
- Nästa steg för att förbättra federated learning-lösningar
Sammanfattning och Nästa Steg
Krav
- Djup förståelse för maskininlärnings- och djupinlärningskoncept
- Erfarenhet av Python-programmering och AI-ramverk (PyTorch, TensorFlow eller liknande)
- Grundläggande kunskaper om distribuerad beräkning och nätverk
- Kännedom om datasekretess- och säkerhetskoncept inom AI
Målgrupp
- AI-forskare
- Datavetare
- Säkerhetsexperter
21 timmar
