Administrativ information
| Titel | Federated Learning – Träna djupa modeller |
| Varaktighet | 150 min |
| Modul | C |
| Typ av lektion | Praktiskt |
| Fokus | Teknik – Framtida AI |
| Ämne | Framsteg i ML-modeller genom en HC-lins – En resultatorienterad studie |
Nyckelord
Federated Learning, Tensorflow,
Lärandemål
- Förstå hur man tränar modeller med hjälp av Federated Learning Framework
- Förstå hur lokal datadistribution påverkar det federerade lärandet
- Bli bekant med ett ramverk på hög nivå som TensorFlow
Förväntad förberedelse
Lärande händelser som ska slutföras innan
Obligatoriskt för studenter
- Eleverna ska ha en grundläggande förståelse för djupa inlärningskoncept och tekniker
- Grundläggande förståelse för djupinlärning (SGD, backpropagation algoritm) och utvärderingstekniker
Valfritt för studenter
- Lite kunskap om TensorFlow-ramverket och Python-programmeringsspråket
Referenser och bakgrund för studenter
Rekommenderas för lärare
Lektionsmaterial
Instruktioner för lärare
- Ge en praktisk föreläsning där eleverna kan lära sig av guidade övningar
- Föreslå popup-frågesporter
Konturer
| Varaktighet | Beskrivning | Begrepp | Verksamhet |
|---|---|---|---|
| 20 min | Inledning till ramverket: hur man kodar ett enkelt federerat inlärningssystem | Introduktion av verktyg | Introduktion till huvudverktygen |
| 60 min | Federated Training: det enkla sättet. Hur man applicerar tågmodeller med federerat lärande baserat på iid lokala data | Federated Average | Praktisk session och arbetsexempel |
| 60 min | Federated utbildning: den hårda vägen. Hur heterogenitet påverkar Federated Average och vad kan vi göra | Utmaningar kopplade till Federated Learning | Praktisk session och arbetsexempel |
| 10 min | Slutsats, frågor och svar | Sammanfattning | Slutsatser |
Erkännanden
Masterprogrammet Human-Centered AI har samfinansierats av Fonden för ett sammanlänkat Europa i Europeiska unionen inom ramen för Grant CEF-TC-2020–1 Digital Skills 2020 EU-IA-0068.