Struttura del corso

Introduzione a Federated Learning

  • Panoramica della formazione AI tradizionale rispetto all'apprendimento federato
  • Principi chiave e vantaggi dell'apprendimento federato
  • Casi d'uso dell'apprendimento federato nelle applicazioni Edge AI

Federated Learning Architettura e flusso di lavoro

  • Comprensione dei modelli di apprendimento federati client-server e peer-to-peer
  • Partizionamento dei dati e addestramento del modello decentralizzato
  • Communication protocolli e strategie di aggregazione

Implementazione di Federated Learning con TensorFlow Federato

  • Impostazione TensorFlow Federato per la formazione AI distribuita
  • Creazione di modelli di apprendimento federati utilizzando Python
  • Simulazione dell'apprendimento federato sui dispositivi edge

Federated Learning con PyTorch e OpenFL

  • Introduzione a OpenFL per l'apprendimento federato
  • Implementazione di modelli federati basati su PyTorch
  • Personalizzazione delle tecniche di aggregazione federata

Ottimizzazione delle prestazioni per Edge AI

  • Accelerazione hardware per l'apprendimento federato
  • Riduzione del sovraccarico e della latenza delle comunicazioni
  • Strategie di apprendimento adattivo per dispositivi con risorse limitate

Riservatezza e sicurezza dei dati in Federated Learning

  • Tecniche di tutela della privacy (aggregazione sicura, privacy differenziale, crittografia omomorfica)
  • Mitigazione dei rischi di perdita di dati nei modelli di intelligenza artificiale federati
  • Conformità normativa e considerazioni etiche

Distribuzione di Federated Learning sistemi

  • Impostazione dell'apprendimento federato su dispositivi edge reali
  • Monitoraggio e aggiornamento dei modelli federati
  • Scalabilità delle distribuzioni di apprendimento federato in ambienti aziendali

Tendenze future e casi di studio

  • Ricerche emergenti sull'apprendimento federato e Edge AI
  • Casi di studio reali in sanità, finanza e IoT
  • Prossimi passi per l'avanzamento delle soluzioni di apprendimento federato

Riepilogo e passaggi successivi

Requisiti

  • Ottima conoscenza dei concetti di apprendimento automatico e apprendimento profondo
  • Esperienza con la programmazione Python e framework AI (PyTorch, TensorFlow o simili)
  • Conoscenze di base di elaborazione distribuita e networking
  • Familiarità con i concetti di privacy e sicurezza dei dati nell'intelligenza artificiale

Pubblico

  • Ricercatori di intelligenza artificiale
  • Scienziati dei dati
  • Specialisti della sicurezza
 21 ore

Numero di Partecipanti


Prezzo per Partecipante

Corsi in Arrivo

Categorie relative