Adminisztratív információk
| Cím | Federated Learning – Vonat mély modellek |
| Időtartam | 150 perc |
| Modul | C |
| Lecke típusa | Praktikus |
| Fókusz | Technikai – Jövőbeli MI |
| Téma | Fejlődés az ML modellekben egy HC objektíven keresztül – eredményorientált tanulmány |
Kulcsszó
Föderált tanulás,Tensorflow,
Tanulási célok
- Ismerje meg, hogyan kell kiképezni a modelleket a Szövetségi Tanulási Keretrendszer segítségével
- Ismerje meg, hogy a helyi adatelosztás hogyan befolyásolja a föderált tanulást
- Egy olyan magas szintű keretrendszer megismerése, mint a TensorFlow
Várható előkészítés
Az előtt befejezendő tanulási események
Kötelező a diákok számára
- A hallgatóknak alapvető ismeretekkel kell rendelkezniük a mély tanulási koncepciókról és technikákról
- A mélytanulási képzés (SGD, backpropagation algoritmus) és értékelési technikák alapismerete
Választható diákok számára
- A TensorFlow keretrendszer és a Python programozási nyelv ismerete
Referenciák és háttér a diákok számára
Ajánlott tanároknak
Utasítások tanároknak
- Gyakorlati előadás, ahol a diákok tanulhatnak az irányított gyakorlatokból
- Pop-up kvízek javaslata
Vázlat
| Időtartam | Leírás | Fogalmak | Tevékenység |
|---|---|---|---|
| 20 perc | Bevezetés a keretbe: hogyan lehet kódolni egy egyszerű föderált tanulási rendszert | Eszközök bevezetése | Bevezetés a fő eszközökbe |
| 60 perc | Szövetségi képzés: a könnyű út. Hogyan alkalmazzunk vonatmodelleket föderált tanulással a iid helyi adatok alapján? | Föderált átlag | Gyakorlati ülés és munka példák |
| 60 perc | Szövetségi képzés: a nehéz út. Hogyan befolyásolja a heterogenitás a szövetségi átlagot és mit tehetünk | A föderált tanulással kapcsolatos kihívások | Gyakorlati ülés és munka példák |
| 10 perc | Következtetések, kérdések és válaszok | Összefoglaló | Következtetések |
Visszaigazolások
A Human-Centered AI Masters programot az Európai Unió Európai Hálózatfinanszírozási Eszköze (CEF-TC-2020–1 Digitális készségek 2020 EU-IA-0068) társfinanszírozta.