Informazioni amministrative
| Titolo | Federated Learning — Allena modelli profondi |
| Durata | 150 min |
| Modulo | C |
| Tipo di lezione | Pratico |
| Focus | Tecnico — Intelligenza Artificiale del Futuro |
| Argomento | Progressi nei modelli ML attraverso un obiettivo HC — Uno studio orientato ai risultati |
Parole chiave
Federated Learning,Tensorflow,
Obiettivi di apprendimento
- Capire come formare modelli utilizzando il framework Federated Learning
- Capire in che modo la distribuzione locale dei dati influisce sull'apprendimento federato
- Acquisire familiarità con un framework di alto livello come TensorFlow
Preparazione prevista
Eventi di apprendimento da completare prima
Obbligatorio per gli studenti
- Gli studenti dovrebbero avere una comprensione di base dei concetti e delle tecniche di apprendimento profondo
- Conoscenza di base della formazione di deep learning (SGD, algoritmo di backpropagation) e tecniche di valutazione
Facoltativo per gli studenti
- Un pò di conoscenza del framework TensorFlow e del linguaggio di programmazione Python
Referenze e background per gli studenti
Consigliato per gli insegnanti
Materiale didattico
Istruzioni per gli insegnanti
- Fornire una lezione pratica in cui gli studenti possono imparare da esercizi guidati
- Proporre quiz pop-up
Contorno
| Durata | Descrizione | Concetti | Attività |
|---|---|---|---|
| 20 min | Introduzione al quadro: come codificare un semplice sistema di apprendimento federato | Introduzione degli strumenti | Introduzione ai principali strumenti |
| 60 min | Formazione federata: il modo più semplice. Come applicare i modelli di treno con l'apprendimento federato sulla base di dati locali iid | Media Federata | Sessione pratica ed esempi di lavoro |
| 60 min | Formazione federata: il modo difficile. In che modo l'eterogeneità influisce sulla media federata e cosa possiamo fare | Sfide legate all'apprendimento federato | Sessione pratica ed esempi di lavoro |
| 10 min | Conclusioni, domande e risposte | Riepilogo | Conclusioni |
Riconoscimenti
Il programma Human-Centered AI Masters è stato co-finanziato dal meccanismo per collegare l'Europa dell'Unione europea nell'ambito della sovvenzione CEF-TC-2020-1 Digital Skills 2020-EU-IA-0068.