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
Einführung in das Federated Learning
- Überblick über die Konzepte des Federated Learnings;
- Vergleich zwischen dezentralem Modelltraining und herkömmlichen zentralisierten Verfahren;
- Welche Vorteile bietet Federated Learning hinsichtlich Datenschutz und -sicherheit?
Grundlegende Algorithmen des Federated Learnings
- Einblick in den Federated Averaging-Algorithmus;
- Umsetzung eines einfachen Federated Learning-Modells;
- Federated Learning im direkten Vergleich zum klassischen maschinellen Lernen.
Datenschutz und Sicherheit bei Federated Learning
- Häufige Datenschutzherausforderungen in KI-Systemen;
- Möglichkeiten zur Stärkung des Datenschutzes im Rahmen von Federated Learning;
- Sichere Methoden der Datenaggregation und -verschlüsselung.
Praktische Umsetzung von Federated Learning
- Einrichtung einer geeigneten Entwicklungsumgebung für Federated Learning;
- Konstruktion sowie Training eines solchen Modells;
- Einsatzmöglichkeiten im echten Kontext.
Herausforderungen und Grenzen von Federated Learning
- Umgang mit nicht-vertretergleichen Datensätzen in dezentralen Szenarien;
- Mögliche Probleme bei Kommunikation und Synchronisation;
- Wie lässt sich Federated Learning auf große Netzwerke ausweiten?
Fallbeispiele sowie zukünftige Entwicklungen
- Erfolgreiche Beispiele zur Anwendung von Federated Learning;
- Ausblick auf die weitere Entwicklung dieses Feldes;
- Neuere Trends bei KI-Systemen, die den Datenschutz berücksichtigen.
Zusammenfassung und nächste Schritte
Voraussetzungen
- Grundkenntnisse in maschinellem Lernen;
- Erfahrung in der Programmierung mit Python;
- Bekanntschaft mit Prinzipien des Datenschutzes.
Zielgruppe
- Datenwissenschaftler;
- Interessierte am maschinellen Lernen;
- Einstiegswillige in das Gebiet der Künstlichen Intelligenz.
14 Stunden
