Kursplan

Introduktion till Federated Learning i IoT och Edge Computing

  • Översikt över Federated Learning och dess tillämpningar inom IoT
  • Viktiga utmaningar med att integrera Federated Learning med edge computing
  • Fördelar med decentraliserad AI i IoT-miljöer

Federated Learning Tekniker för IoT-enheter

  • Distribuera Federated Learning modeller på IoT-enheter
  • Hantering av icke-IID-data och begränsade beräkningsresurser
  • Optimera kommunikationen mellan IoT-enheter och centrala servrar

Beslutsfattande i realtid och minskning av latens

  • Förbättra kapaciteten för bearbetning i realtid i gränsmiljöer
  • Tekniker för att minska latens i Federated Learning system
  • Implementera edge AI-modeller för snabbt och tillförlitligt beslutsfattande

Säkerställa datasekretess i federerade IoT-system

  • Tekniker för datasekretess i decentraliserade AI-modeller
  • Hantera datadelning och samarbete mellan IoT-enheter
  • Efterlevnad av bestämmelser om datasekretess i IoT-miljöer

Fallstudier och praktiska tillämpningar

  • Framgångsrika implementeringar av Federated Learning i IoT
  • Praktiska övningar med verkliga IoT-datauppsättningar
  • Utforska framtida trender inom Federated Learning för IoT och edge computing

Sammanfattning och nästa steg

Krav

  • Erfarenhet av IoT eller edge computing-utveckling
  • Grundläggande förståelse för AI och maskininlärning
  • Kännedom om distribuerade system och nätverksprotokoll

Publik

  • IoT-ingenjörer
  • Specialister på databehandling på gränsenheter
  • AI-utvecklare
 14 timmar

Antal deltagare


Price per participant

Upcoming Courses

Relaterade Kategorier