Informations administratives
| Titre | Apprentissage fédéré — Former des modèles profonds |
| Durée | 150 min |
| Module | C |
| Type de leçon | Pratique |
| Focus | Technique — IA future |
| Sujet | Progrès dans les modèles ML à travers une lentille HC — Une étude axée sur les résultats |
Mots-clés
Apprentissage fédéré, Tensorflow,
Objectifs d’apprentissage
- Comprendre comment former des modèles à l’aide du cadre d’apprentissage fédéré
- Comprendre comment la distribution de données locales affecte l’apprentissage fédéré
- Se familiariser avec un framework de haut niveau comme TensorFlow
Préparation prévue
Événements d’apprentissage à compléter avant
Obligatoire pour les étudiants
- Les étudiants devraient avoir une compréhension de base des concepts et des techniques d’apprentissage profond
- Compréhension de base de la formation en apprentissage profond (SGD, algorithme de rétropropagation) et des techniques d’évaluation
Optionnel pour les étudiants
- Un peu de connaissance du framework TensorFlow et du langage de programmation Python
Références et antécédents pour les étudiants
Recommandé pour les enseignants
Matériel de leçon
Instructions pour les enseignants
- Offrir une conférence pratique où les élèves peuvent apprendre à partir d’exercices guidés
- Proposer des quiz pop-up
Esquisse
| Durée | Description | Concepts | Activité |
|---|---|---|---|
| 20 min | Introduction au cadre: comment coder un système d’apprentissage fédéré simple | Introduction aux outils | Introduction aux principaux outils |
| 60 min | Formation fédérée: le moyen facile. Comment appliquer des modèles de formation avec un apprentissage fédéré basé sur des données locales | Moyenne fédérée | Séance pratique et exemples de travail |
| 60 min | Formation fédérée: à la dure. Comment l’hétérogénéité affecte-t-elle la moyenne fédérée et que pouvons-nous faire? | Défis liés à l’apprentissage fédéré | Séance pratique et exemples de travail |
| 10 min | Conclusion, questions et réponses | Résumé | Conclusions |
Remerciements
Le programme de master IA centré sur l’humain a été cofinancé par le mécanisme pour l’interconnexion en Europe de l’Union européenne dans le cadre de la subvention CEF-TC-2020-1 Digital Skills 2020-EU-IA-0068.