Haldusteave
| Ametinimetus | Federated Learning – rongi sügavad mudelid |
| Kestus | 150 min |
| Moodul | C |
| Õppetunni liik | Praktiline |
| Keskendumine | Tehniline – tulevane tehisintellekt |
| Teema | Edusammud ML mudelites läbi HC objektiivi – tulemustele orienteeritud uuring |
Võtmesõnad
Federated Learning, Tensorflow,
Õpieesmärgid
- Mõistke, kuidas treenida mudeleid kasutades Federated Learning Framework
- Mõistke, kuidas kohalik andmete jaotus mõjutab ühendatud õppimist
- Tutvumine kõrgetasemelise raamistikuga nagu TensorFlow
Eeldatav ettevalmistamine
Õppeüritused, mis tuleb lõpetada enne
Kohustuslik õpilastele
- Õpilastel peaks olema põhiteadmised süvaõppe kontseptsioonidest ja tehnikatest
- Põhiteadmised süvaõppe koolitusest (SGD, backpropagation algoritm) ja hindamistehnikatest
Valikuline õpilastele
- Natuke teadmisi TensorFlow raamistikust ja Pythoni programmeerimiskeelest
Viited ja taust õpilastele
Soovitatav õpetajatele
Õppematerjalid
Juhised õpetajatele
- Pakkuda praktilist loengut, kus õpilased saavad õppida juhendatud harjutustest
- Pop-up viktoriinide pakkumine
Kontuur
| Kestus | Kirjeldus | Mõisted | Tegevus |
|---|---|---|---|
| 20 minutit | Raamistiku sissejuhatus: kuidas kodeerida lihtsat födereeritud õppesüsteemi | Vahendite tutvustus | Sissejuhatus peamistesse tööriistadesse |
| 60 min | Födereeritud koolitus: lihtne viis. Kuidas rakendada integreeritud õppega rongimudeleid, mis põhinevad iid-kohalikel andmetel | Federated Keskmine | Praktilised sessioonid ja töönäited |
| 60 min | Födereeritud koolitus: raske tee. Kuidas heterogeensus mõjutab Federated Average ja mida me saame teha | Ühendatud õppimisega seotud probleemid | Praktilised sessioonid ja töönäited |
| 10 minutit | Järeldused, küsimused ja vastused | Kokkuvõte | Järeldused |
Tunnustused
Inimkeskse tehisintellekti magistriprogrammi kaasfinantseeris Euroopa Liidu Ühendamise Rahastu toetusega CEF-TC-2020–1 „Digioskused 2020“-EU-IA-0068.