Administrative oplysninger
| Titel | Federated Learning — Træn dybe modeller |
| Varighed | 150 min. |
| Modul | C |
| Lektionstype | Praktisk |
| Fokus | Teknisk — fremtidig kunstig intelligens |
| Emne | Fremskridt i ML-modeller gennem en HC-linse — En resultatorienteret undersøgelse |
Nøgleord
Federated Learning,Tensorflow,
Læringsmål
- Forstå, hvordan man træner modeller ved hjælp af Federated Learning Framework
- Forstå, hvordan lokal datadistribution påvirker den sammensluttede læring
- At blive fortrolig med en ramme på højt niveau som TensorFlow
Forventet forberedelse
Læringsbegivenheder, der skal fuldføres før
Obligatorisk for studerende
- Studerende skal have en grundlæggende forståelse af dyb læring begreber og teknikker
- Grundlæggende forståelse af dyb læringstræning (SGD, backpropagation algoritme) og evalueringsteknikker
Valgfrit for studerende
- Lidt viden om TensorFlow-rammen og Python-programmeringssproget
Referencer og baggrund for studerende
Anbefalet til lærerne
Undervisningsmaterialer
Instruktioner til lærerne
- Giv en praktisk forelæsning, hvor eleverne kan lære af guidede øvelser
- Foreslå pop-up quizzer
Omrids
| Varighed | Beskrivelse | Koncepter | Aktivitet |
|---|---|---|---|
| 20 min. | Introduktion til rammen: sådan kodes et simpelt føderalt læringssystem | Introduktion af værktøjer | Introduktion til de vigtigste værktøjer |
| 60 min. | Føderal træning: den nemme måde. Sådan anvender du togmodeller med fælles læring baseret på iid lokale data | Føderalt gennemsnit | Praktiske sessioner og arbejdseksempler |
| 60 min. | Føderal uddannelse: den hårde måde. Hvordan påvirker heterogenitet Federated Average og hvad kan vi gøre | Udfordringer forbundet med Federated Learning | Praktiske sessioner og arbejdseksempler |
| 10 min. | Konklusion, spørgsmål og svar | Sammendrag | Konklusioner |
Anerkendelser
Programmet Human-Centered AI Masters blev samfinansieret af Connecting Europe-faciliteten i Den Europæiske Union under tilskud CEF-TC-2020-1 Digital Skills 2020-EU-IA-0068.