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 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