Vielen Dank für die Zusendung Ihrer Anfrage! Eines unserer Teammitglieder wird Sie in Kürze kontaktieren.
Vielen Dank, dass Sie Ihre Buchung abgeschickt haben! Eines unserer Teammitglieder wird Sie in Kürze kontaktieren.
Schulungsübersicht
Überblick über die wichtigsten Federated Learning-Konzepte
- Rekapitulation grundlegender Federated Learning-Methoden
- Herausforderungen bei Federated Learning: Kommunikation, Berechnung und Datenschutz
- Einführung in fortgeschrittene Federated Learning-Techniken
Optimierungsalgorithmen für Federated Learning
- Überblick über die Herausforderungen der Optimierung in Federated Learning
- Fortgeschrittene Optimierungsalgorithmen: Federated Averaging (FedAvg), Federated SGD, und mehr
- Implementierung und Abstimmung von Optimierungsalgorithmen für große föderierte Systeme
Umgang mit Nicht-IID-Daten in Federated Learning
- Verstehen von Nicht-IID-Daten und deren Auswirkungen auf Federated Learning
- Strategien für den Umgang mit Nicht-IID-Datenverteilungen
- Fallstudien und Anwendungen aus der Praxis
Skalierung von Federated Learning-Systemen
- Herausforderungen bei der Skalierung von Federated Learning-Systemen
- Techniken zur Skalierung: Architekturdesign, Kommunikationsprotokolle und mehr
- Einsatz von groß angelegten Federated Learning-Anwendungen
Fortgeschrittene Datenschutz- und Sicherheitsüberlegungen
- Techniken zur Wahrung der Privatsphäre in fortgeschrittenen Federated Learning
- Sichere Aggregation und differentieller Datenschutz
- Ethische Überlegungen bei groß angelegten Federated Learning
Fallstudien und praktische Anwendungen
- Fallstudie: Groß angelegte Federated Learning im Gesundheitswesen
- Praktische Übungen mit fortgeschrittenen Federated Learning-Szenarien
- Umsetzung von Projekten in der realen Welt
Zukünftige Trends in Federated Learning
- Aufkommende Forschungsrichtungen in Federated Learning
- Technologische Fortschritte und ihre Auswirkungen auf Federated Learning
- Erkundung zukünftiger Möglichkeiten und Herausforderungen
Zusammenfassung und nächste Schritte
Voraussetzungen
- Erfahrung mit maschinellem Lernen und Deep-Learning-Techniken
- Verständnis der grundlegenden Federated Learning Konzepte
- Beherrschung der Python-Programmierung
Zielgruppe
- Erfahrene KI-Forscher
- Ingenieure für maschinelles Lernen
- Datenwissenschaftler
21 Stunden
