Informacje administracyjne
| Tytuł | Teoria nauczania federowanego (profilowanie i personalizacja) |
| Czas trwania | 45-60 min |
| Moduł | C |
| Rodzaj lekcji | Wykład |
| Skupienie | Techniczne – Przyszła sztuczna inteligencja |
| Temat | Postępy w modelach ML poprzez obiektyw HC – Badanie zorientowane na wynik |
Słowa kluczowe
Federated Learning, system oparty na wiedzy, ochrona prywatności,
Cele w zakresie uczenia się
- Zapewnij motywacje do wykonywania Federated Learning
- Zapewnij wstępne zrozumienie podstawowych technik uczenia się federowanego
- Przedyskutuj główne ograniczenia i związane z nimi wyzwania
Oczekiwane przygotowanie
Wydarzenia edukacyjne, które należy ukończyć przed
Obowiązkowe dla studentów
- Podstawowa znajomość prawdopodobieństwa i statystyki
- Podstawowe zrozumienie szkolenia głębokiego uczenia się (SGD, algorytm backpropagation) i technik oceny
- Wprowadzenie do uczenia maszynowego i koncepcji uczenia głębokiego podanych w poprzednich wykładach
Opcjonalne dla studentów
Brak.
Referencje i tło dla studentów
Brak.
Zalecane dla nauczycieli
- P. Kairouz, et al. „Advances and Open Problems in Federated Learning”, Foundations and Trends® in Machine Learning: Vol. 14: Nr 1–2, s. 1-210. — URL
- Konečný, Jakub i McMahan, H. Brendan i Ramage, Daniel i Richtárik, Peter. „Federowana optymalizacja: Rozproszone uczenie maszynowe dla inteligencji na urządzeniach". arXiv 2016.
- Chen Zhang, et al., A survey on federated learning, Knowledge-Based Systems, Volume 216, 2021, 106775, ISSN 0950-7051 - URL
- Google Federated Learning i AI
- Federated Learning: Wspólne uczenie maszynowe bez scentralizowanych danych szkoleniowych
- Głębokie uczenie się -> Sfederowane uczenie się w 10 liniach
- TensorFlow/federowany
Materiały do lekcji
Instrukcje dla nauczycieli
- Podaj przegląd technik, ich zalet i wad
- Zaproponuj pop-up quizy
Wydarzenie edukacyjne odnosi się do typów modeli, ich oceny i możliwych technik optymalizacji.
Zarys
| Czas trwania | Opis | Koncepcje |
|---|---|---|
| 10 min | Wprowadzenie: Motywujący scenariusz i wprowadzenie do kształcenia federacyjnego: co to jest, do czego jest, kiedy i dlaczego jest potrzebne. | Grawitacja danych, prywatność danych i definicja scenariusza umożliwiającego. |
| 10 min | Federated Learning: podstawowe pojęcia, definicja systemu i algorytmiczny przegląd | Podstawowe pojęcia podejścia Federated Learning |
| 15 min | Algorytm średniej federacji: Definicja formalna i właściwości | Podstawowy algorytm uczenia się federacyjnego |
| 20 min | Powyżej średniej federacyjnej: ograniczenia średniej federacyjnej, wyzwania i możliwe rozwiązania. | Brak równowagi danych, personalizacja, uczciwość |
| 5 min. | Wnioski, pytania i odpowiedzi | Podsumowanie |
Potwierdzenia
Program Masters zorientowany na człowieka został współfinansowany przez instrument „Łącząc Europę” Unii Europejskiej w ramach grantu CEF-TC-2020-1 Umiejętności cyfrowe 2020-EU-IA-0068.