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
Aangepaste bedrijfsopleiding
Opleidingsoplossingen ontworpen exclusief voor bedrijven.
- Aangepaste inhoud: We passen de syllabus en praktijkopdrachten aan naar de echte doelen en behoeften van uw project.
- Voor flexibel schema: Datums en tijden aangepast aan het rooster van uw team.
- Formaat: Online (live), In-company (bij uw kantoren) of Hybride.
Prijs per privégroep, online live training, startend vanaf 4800 € + BTW*
Neem contact met ons op voor een exacte offerte en om onze laatste promoties te horen
Reviews (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
