لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
آموزش علم داده غیرمتمرکز
Decentralized Data Science
نکته:
آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره:
باز کردن قفل ارزش داده ها، احترام به حریم خصوصی. بررسی اجمالی علم داده و یادگیری ماشینی یادگیری فدرال بازارهای داده غیرمتمرکز حریم خصوصی متفاوت رمزگذاری هممورفیک TensorFlow Federated (TFF) TensorFlow Lite پیش نیازها: برای گذراندن این دوره به درک اولیه علم داده و یادگیری ماشین نیاز است.
لطفاً توجه داشته باشید که این دوره آموزشی علم داده یا یادگیری ماشین نیست. این دوره هیچ کدنویسی را پوشش نمی دهد.
به دوره آموزشی "علم داده های غیرمتمرکز" خوش آمدید - کاوشی در تلاقی فناوری های پیشرفته و قدرت دگرگون کننده رویکردهای غیرمتمرکز در علم داده - به ویژه در یادگیری ماشین.
ChatGPT ما را به آستانه مسابقه هوش مصنوعی رساند. انتظار میرود که در ماهها و سالهای آینده، همه شرکتهای بزرگ فناوری، مدلهای جدید هوش مصنوعی زیادی را عرضه کنند.
همه ما در مورد بخشی که برای نوآوری چشمگیر آماده است هیجان زده هستیم. اما آیا چیزی وجود دارد که باید نگران آن باشیم؟
بله. حریم خصوصی.
این رشتههای فناوری احتمالاً از دادههای کاربر برای آموزش مدلهای خود استفاده میکنند. از آنجایی که پردازش متمرکز داده شامل آسیبپذیریهای مختلفی است، حریم خصوصی کاربر در این مسابقه هوش مصنوعی به خطر میافتد.
بنابراین، آیا راهی برای حفظ حریم خصوصی کاربر در یادگیری ماشین وجود دارد؟
این جایی است که علم داده غیرمتمرکز وارد می شود.
یادگیری ماشین غیرمتمرکز چارچوبهای مختلفی مانند یادگیری فدرال، حریم خصوصی متفاوت، رمزگذاری هم شکل، محاسبات چند جانبه ایمن، و محاسبات لبه را ارائه میدهد. این چارچوبها پردازش دادهها را با حفظ حریم خصوصی کاربر امکانپذیر میکنند.
ما همچنین درباره ابزارهایی مانند TensorFlow Federated و TensorFlow Lite که به ما در ساختن این سیستمهای یادگیری ماشین غیرمتمرکز کمک میکنند، بحث خواهیم کرد.
اجازه دهید در این دوره در مورد این مفاهیم بحث کنیم
سرفصل ها و درس ها
معرفی
Introduction
معرفی
Introduction
این دوره برای چه کسانی است؟
Who is this course for?
طرح کلی دوره
Course Outline
مبانی علم داده
Basics of Data Science
علم داده چیست؟
What is Data Science?
طبقه بندی علم داده
Classification of Data Science
پرایمر در یادگیری ماشینی
Primer on Machine Learning
معرفی
Introduction
مدل های یادگیری ماشین
Machine Learning Models
نمایش مدل های ML
Representation of ML Models
آموزش ML
ML Training
چارچوب های ML
ML Frameworks
MLOs
MLOps
معرفی
Introduction
مروری بر MLOps
Overview of MLOps
چرا علم داده باید غیرمتمرکز باشد؟
Why does data science need to be decentralized?
چرا علم داده باید غیرمتمرکز باشد؟
Why does data science need to be decentralized?
مشاور فناوری نوظهور سام گوش یک مهندس است، دارای مدرک MBA از دانشگاه کلگری است و هر سه سطح برنامه CFA را تکمیل کرده است. او یک کارآفرین در حوزه فین تک بوده است. او برای Fintechna مستقر در لندن می نویسد و به افزایش آگاهی در مورد فناوری های Web3 با انواع رسانه ها کمک می کند. او کتاب های مختلفی در زمینه اقتصاد نوشته است. امور مالی و تجارت
نمایش نظرات