Plan du cours

Introduction à Federated Learning

  • Aperçu de la formation traditionnelle à l'IA par rapport à l'apprentissage fédéré
  • Principes clés et avantages de l'apprentissage fédéré
  • Cas d'utilisation de l'apprentissage fédéré dans les applications Edge AI.

[Architecture et flux de travail

  • Comprendre les modèles d'apprentissage fédéré client-serveur et pair-à-pair
  • Partitionnement des données et formation décentralisée des modèles
  • Protocoles Communication et stratégies d'agrégation

Mettre en œuvre Federated Learning avec TensorFlow Federated

  • Mise en place de TensorFlow Federated pour l'apprentissage distribué de l'IA
  • Construire des modèles d'apprentissage fédéré à l'aide de Python
  • Simulation de l'apprentissage fédéré sur des appareils périphériques

Federated Learning avec PyTorch et OpenFL

  • Introduction à OpenFL pour l'apprentissage fédéré
  • Implémentation de modèles fédérés basés sur PyTorch
  • Personnalisation des techniques d'agrégation fédérée

Optimisation des performances pour Edge AI

  • Accélération matérielle pour l'apprentissage fédéré
  • Réduction de la surcharge de communication et de la latence
  • Stratégies d'apprentissage adaptatif pour les appareils à ressources limitées

Confidentialité et sécurité des données dans Federated Learning

  • Techniques de préservation de la vie privée (agrégation sécurisée, confidentialité différentielle, chiffrement homomorphe)
  • Atténuation des risques de fuite de données dans les modèles d'IA fédérés
  • Conformité réglementaire et considérations éthiques

Déploiement des systèmes Federated Learning

  • Mise en place de l'apprentissage fédéré sur des dispositifs de périphérie réels
  • Surveillance et mise à jour des modèles fédérés
  • Mise à l'échelle des déploiements d'apprentissage fédéré dans les environnements d'entreprise

Tendances futures et études de cas

  • Recherche émergente en matière d'apprentissage fédéré et Edge AI études de cas en situation réelle dans les domaines de la santé, de la finance et de l'informatique.
  • Études de cas réels dans les domaines de la santé, de la finance et de l'IdO
  • Prochaines étapes pour faire progresser les solutions d'apprentissage fédéré

Résumé et prochaines étapes

Pré requis

  • Forte compréhension des concepts d'apprentissage automatique et d'apprentissage profond
  • Expérience de la programmation Python et des frameworks d'IA (PyTorch, TensorFlow, ou similaires).
  • Connaissance de base de l'informatique distribuée et des réseaux
  • Familiarité avec les concepts de confidentialité et de sécurité des données dans l'IA

Audience

  • Chercheurs en IA
  • Scientifiques des données
  • Spécialistes de la sécurité
 21 Heures

Nombre de participants


Prix ​​par Participant

Cours à venir

Catégories Similaires