Plan Szkolenia

Wprowadzenie do Federated Learning

  • Przegląd Federated Learning
  • Kluczowe koncepcje i korzyści
  • Federated Learning a tradycyjne uczenie maszynowe

Prywatność i bezpieczeństwo danych w sztucznej inteligencji

  • Zrozumienie obaw związanych z prywatnością danych w sztucznej inteligencji
  • Ramy regulacyjne i zgodność z przepisami (np. GDPR)
  • Wprowadzenie do technik ochrony prywatności

Techniki Federated Learning

  • Wdrażanie Federated Learning za pomocą Python i PyTorch
  • Tworzenie modeli chroniących prywatność przy użyciu frameworków Federated Learning
  • Wyzwania w Federated Learning: komunikacja, obliczenia i bezpieczeństwo

Zastosowania Federated Learning w świecie rzeczywistym

  • Federated Learning w opiece zdrowotnej
  • Federated Learning w finansach i bankowości
  • Federated Learning w urządzeniach mobilnych i IoT

Zaawansowane tematy w Federated Learning

  • Odkrywanie prywatności różnicowej w Federated Learning
  • Bezpieczne techniki agregacji i szyfrowania
  • Przyszłe kierunki i pojawiające się trendy

Studia przypadków i praktyczne zastosowania

  • Studium przypadku: Wdrażanie Federated Learning w środowisku opieki zdrowotnej
  • Praktyczne ćwiczenia z rzeczywistymi zestawami danych
  • Praktyczne zastosowania i praca nad projektem

Podsumowanie i kolejne kroki

Wymagania

  • Zrozumienie podstaw uczenia maszynowego
  • Podstawowa znajomość zasad prywatności danych
  • Doświadczenie w programowaniu Python

Uczestnicy

  • Inżynierowie ds. prywatności
  • Specjaliści ds. etyki AI
  • Specjaliści ds. prywatności danych
 14 godzin

Liczba uczestników


cena netto za uczestnika

Propozycje terminów

Powiązane Kategorie