Administrativne informacije
| Naslov | Teorija federiranog učenja (profiliranje i personalizacija) |
| Trajanje | 45 – 60 min |
| Modul | C |
| Vrsta lekcija | Predavanje |
| Fokus | Tehnička – buduća umjetna inteligencija |
| Tema | Napredak u ML modelima kroz HC objektiv – Rezultat orijentirana studija |
Ključne riječi
Federated Learning, sustav temeljen na znanju, očuvanje privatnosti,
Ciljevi učenja
- Navedite motivaciju za Federirano učenje
- Osigurati početno razumijevanje osnovnih tehnika za Federirano učenje
- Raspravljati o glavnim ograničenjima i izazovima povezanima s njima
Očekivana priprema
Edukativni događaji koji će biti završeni prije
Obvezno za studente
- Osnovno poznavanje vjerojatnosti i statistike
- Osnovno razumijevanje osposobljavanja za duboko učenje (SGD, algoritam pozadinske propagacije) i tehnika evaluacije
- Uvod u koncepte strojnog učenja i dubokog učenja dane u prethodnim predavanjima
Neobvezno za studente
Nijedan.
Preporuke i pozadina za studente
Nijedan.
Preporučeno nastavnicima
- P. Kairouz, et al. „Napredci i otvoreni problemi u Federiranom učenju”, Zaklade i trendovi u strojnom učenju: Sv. 14.: Br. 1 – 2, str. 1 – 210. URL
- Konečný, Jakub i McMahan, H. Brendan i Ramage, Daniel i Richtárik, Peter. „Federirana optimizacija: Distribuirano strojno učenje za inteligenciju na uređaju". arXiv 2016.
- Chen Zhang, et al., A Survey on federated learning, Knowledge-Based Systems, svezak 216., 2021., 106775, ISSN 0950 – 7051 – URL
- Google Federated Learning i AI
- Organizirano učenje: Suradničko strojno učenje bez centraliziranih podataka o osposobljavanju
- Duboko učenje -> Federirano učenje u 10 redaka
- TensorFlow/federated
Nastavni materijali
Upute za učitelje
- Pružiti pregled tehnika, njihovih prednosti i nedostataka
- Predložiti skočne kvizove
Nastavni događaj odnosi se na vrste modela, njihovu evaluaciju i moguće tehnike optimizacije.
Nacrt
| Trajanje | Opis | Koncepti |
|---|---|---|
| 10 min | Uvod: Motivirajući scenarij i uvod u federirano učenje: što je to, čemu služi, kada i zašto je potrebno. | Gravitacija podataka, privatnost podataka i definicija poticajnog scenarija. |
| 10 min | Organizirano učenje: osnovni koncepti, definicija sustava i algoritamski pregled | Osnovni pojmovi Federated Learning pristupa |
| 15 min | Algoritam Federated Average: Formalna definicija i svojstva | Osnovni algoritam za federirano učenje |
| 20 min | Iznad federalnog prosjeka: ograničenja udruženog prosjeka, izazovi i moguća rješenja. | Neravnoteža podataka, personalizacija, pravednost |
| 5 min | Zaključak, pitanja i odgovori | Sažetak |
Priznanja
Diplomski studij umjetne inteligencije usmjeren na čovjeka sufinanciran je Instrumentom za povezivanje Europe Europske unije u okviru bespovratnih sredstava CEF-TC-2020 – 1 Digital Skills 2020-EU-IA-0068.