Plan du cours

Révision des concepts de base Federated Learning

  • Récapitulation des méthodologies de base Federated Learning
  • Défis de Federated Learning : communication, calcul et protection de la vie privée
  • Introduction aux techniques Federated Learning avancées

Algorithmes d'optimisation pour Federated Learning

  • Vue d'ensemble des défis d'optimisation dans Federated Learning
  • Algorithmes d'optimisation avancés : Moyenne fédérée (FedAvg), SGD fédéré, etc.
  • Implémentation et réglage d'algorithmes d'optimisation pour les systèmes fédérés à grande échelle

Traitement des données non identifiées dans Federated Learning

  • Comprendre les données non identifiées et leur impact sur Federated Learning
  • Stratégies de gestion des distributions de données non identifiées
  • Études de cas et applications réelles

Mise à l'échelle des systèmes Federated Learning

  • Défis liés à la mise à l'échelle des systèmes Federated Learning
  • Techniques de mise à l'échelle : conception de l'architecture, protocoles de communication, etc.
  • Déploiement d'applications Federated Learning à grande échelle

Considérations avancées en matière de confidentialité et de sécurité

  • Techniques de préservation de la vie privée dans les Federated Learning avancés
  • Agrégation sécurisée et confidentialité différentielle
  • Considérations éthiques dans les Federated Learning à grande échelle

Études de cas et applications pratiques

  • Étude de cas : Federated Learning à grande échelle dans les soins de santé
  • Pratique avec des scénarios Federated Learning avancés
  • Mise en œuvre d'un projet dans le monde réel

Tendances futures en Federated Learning

  • Orientations émergentes de la recherche en Federated Learning
  • Progrès technologiques et leur impact sur Federated Learning
  • Explorer les opportunités et les défis futurs

Résumé et prochaines étapes

Pré requis

  • Expérience des techniques d'apprentissage automatique et d'apprentissage profond
  • Compréhension des concepts de base Federated Learning.
  • Maîtrise de la programmation Python.

Audience

  • Chercheurs expérimentés en IA
  • Ingénieurs en apprentissage automatique
  • Scientifiques des données
 21 Heures

Nombre de participants


Prix ​​par Participant

Cours à venir

Catégories Similaires