توضیحات

همه چیز درباره یادگیری فدرال به صورت عملی

نام دوره : Federated Learning: Theory and Practical

پیش‌نیاز

• آشنایی پایه با مفاهیم و الگوریتم‌های یادگیری ماشین

• آشنایی با برنامه‌نویسی پایتون و کتابخانه‌های محبوب یادگیری ماشین مانند TensorFlow و PyTorch

• هیچ پیش‌نیازی در مورد یادگیری فدرال وجود ندارد — مبانی آن در این دوره آموزش داده خواهد شد

توضیحات

دوره‌ی «همه چیز درباره یادگیری فدرال به صورت عملی» به‌گونه‌ای طراحی شده که مقدمه‌ای جامع بر یکی از هیجان‌انگیزترین و رو‌به‌رشدترین حوزه‌های یادگیری ماشین یعنی یادگیری فدرال (Federated Learning) ارائه دهد.

در عصری که حفظ حریم خصوصی داده‌ها اهمیت فزاینده‌ای پیدا کرده، یادگیری فدرال راهکاری نوآورانه ارائه می‌دهد:

مدل‌های یادگیری ماشین بدون نیاز به اشتراک‌گذاری داده‌های حساس و به صورت غیرمتمرکز (مثلاً در گوشی‌های هوشمند یا کلاینت‌های محلی) آموزش می‌بینند.

این دوره با مرور اصول اولیه یادگیری ماشین آغاز می‌شود تا پایه‌ای محکم ایجاد شود.

سپس به مفاهیم اصلی یادگیری فدرال می‌پردازد، از جمله دلایل ظهور آن، انواع مختلف آن (افقی، عمودی و ترکیبی) و مقایسه آن با رویکردهای سنتی یادگیری ماشین.

تا هفته‌ی سوم، شما نه‌تنها نظریه را درک خواهید کرد، بلکه آماده‌اید تا سیستم‌های FL را از پایه و همچنین با استفاده از فریم‌ورک‌های محبوب مانند FLOWER پیاده‌سازی کنید.

در ادامه، به مباحث پیشرفته‌ای مانند تکنولوژی‌های تقویت‌کننده‌ی حریم خصوصی (از جمله حریم خصوصی تفاضلی و رمزگذاری هم‌ریخت) پرداخته می‌شود، و همچنین با چالش‌های عملی مانند انتخاب کلاینت و حملات بازیابی گرادیان آشنا خواهید شد.

فرقی نمی‌کند که دانشمند داده، مهندس یادگیری ماشین یا صرفاً علاقه‌مند به هوش مصنوعی محافظ حریم خصوصی باشید — این دوره دانش نظری و مهارت‌های عملی لازم برای فعالیت در حوزه‌ی در حال رشد یادگیری فدرال را در اختیار شما قرار می‌دهد.

دوره همه چیز درباره یادگیری فدرال به صورت عملی مناسب چه کسانی است؟

• داده‌کاوان، مهندسان یادگیری ماشین و علاقه‌مندان به هوش مصنوعی که می‌خواهند درک عمیق‌تری از یادگیری فدرال پیدا کنند

• متخصصانی که به دنبال کاربرد یادگیری ماشین با حفظ حریم خصوصی در محیط‌های توزیع‌شده هستند

• کسانی که با یادگیری ماشین آشنایی دارند و یا به‌تازگی قصد آشنایی با یادگیری فدرال را دارند و به پیاده‌سازی عملی مدل‌های FL علاقه‌مندند

بخشی از دوره :