Bedankt voor uw aanvraag! Een van onze medewerkers neemt binnenkort contact met u op
Bedankt voor uw boeking! Een van onze medewerkers neemt binnenkort contact met u op.
Cursusaanbod
Inleiding tot Federated Learning
- Overzicht van traditionele AI-training versus federated Learning
- Kernprincipes en voordelen van federated Learning
- Praktijkvoorbeelden van federated Learning in Edge AI-toepassingen
Architectuur en werkingswijze van Federated Learning
- Verschillen tussen client-server- en peer-to-peer-modellen voor federated Learning
- Verdeling van gegevens en gedecentraliseerd modeltrainen
- Communicatieprotocollen en aggregatiestrategieën bij federated Learning
Implementeren van Federated Learning met TensorFlow Federated
- Voorbereiden van een omgeving voor distributief AI-trainen met TensorFlow Federated
- Bouw van federated Learning-modellen in Python
- Simulatie van federated Learning op edge-apparaten
Federated Learning met PyTorch en OpenFL
- Introductie tot OpenFL voor federated Learning-implementaties
- Bouw van modellen op basis van PyTorch voor federated Learning
- Aanpassen van aggregatiemethoden bij federated Learning
Prestatieoptimalisatie voor Edge AI
- Hardwareversnelling als manier om federated Learning te versnellen
- Verminderen van communicatielast en vertraging tussen apparaten
- Leerstrategieën die aangepast zijn aan beperkte rekenkracht op edge-apparaten
Gegevensprivacy en beveiliging bij Federated Learning
- Technieken voor privacybescherming: veilige aggregatie, differentiële privacy en homomorfe versleuteling
- Voorkomen van lekken van vertrouwelijke gegevens via federated AI-modellen
- Regelgeving, ethische overwegingen en compliance bij gebruik van federated Learning
Implementatie van Federated Learning-systemen in de praktijk
- Instellen van federated Learning-omgevingen op daadwerkelijke edge-apparaten
- Bewaking en updaten van getrainde AI-modellen in een federated Learning-systeem
- Uitbreiden van federated Learning-implementaties binnen bedrijfsomgevingen
Toekomstige ontwikkelingen en praktijkvoorbeelden
- Recent onderzoek naar nieuwe mogelijkheden binnen federated Learning en Edge AI
- Voorbeeldtoepassingen uit de praktijk: gezondheidszorg, financiële sector en IoT
- Aanbevolen vervolgstappen voor het verder ontwikkelen van federated Learning-oplossingen
Samenvatting en aanbevolen volgende stappen
Vereisten
- Grondige kennis van machine learning- en deep learning-concepten
- ervaring met programmeren in Python en AI-frameworks (PyTorch, TensorFlow of soortgelijke)
- Basiskennis van gedistribueerde computing en netwerken
- Bekendheid met aspecten rond gegevensprivacy en beveiliging in AI
Doelgroep
- AI-onderzoekers
- Datawetenschappers
- Beveiligingsexperts
21 Uren
Getuigenissen (1)
Dat we geavanceerde onderwerpen kunnen bespreken en met praktijkvoorbeelden kunnen werken
Ruben Khachaturyan - iris-GmbH infrared & intelligent sensors
Cursus - Advanced Edge AI Techniques
Automatisch vertaald
