آموزش علم داده غیرمتمرکز

Decentralized Data Science

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
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?

یادگیری فدرال Federated Learning

  • معرفی Introduction

  • TensorFlow Federated (TFF) TensorFlow Federated (TFF)

  • میانگین فدرال (FedAvg) Federated Averaging (FedAvg)

  • تجمع امن Secure Aggregation

  • TensorFlow Lite TensorFlow Lite

  • مجموعه داده های فدرال Federated Datasets

  • بهینه سازی فدرال Federated optimization

  • موارد استفاده Use Cases

بازارهای داده غیرمتمرکز Decentralized Data Marketplaces

  • معرفی Introduction

  • کار می کند Workings

حریم خصوصی دیفرانسیل Differential Privacy

  • حریم خصوصی دیفرانسیل Differential Privacy

رمزگذاری هممورفیک Homomorphic Encryption

  • معرفی Introduction

  • موارد استفاده Use Cases

Edge Computing و Edge Analytics Edge Computing and Edge Analytics

  • معرفی Introduction

  • یادگیری فدرال در مقابل تحلیل لبه Federated Learning Vs Edge Analytics

  • موارد استفاده از تجزیه و تحلیل لبه Edge Analytics Use Cases

  • استفاده از محاسبات لبه با یادگیری فدرال Use of Edge Computing with Federated Learning

محاسبات امن چند طرفه (SMPC) Secure Multi-Party Computation (SMPC)

  • معرفی Introduction

  • پروتکل ها Protocols

Tensorflow Federated (TFF) Tensorflow Federated (TFF)

  • معرفی Introduction

  • APIهای فدرال TensorFlow TensorFlow Federated APIs

  • نمونه برنامه - API یادگیری فدرال (FL). Example Application - Federated Learning (FL) API

  • نمونه برنامه - API هسته مرکزی (FC). Example Application - Federated Core (FC) API

TensorFlow Lite TensorFlow Lite

  • معرفی Introduction

  • نقش در علم داده غیرمتمرکز Role in Decentralized Data Science

  • نمونه برنامه Sample Application

متشکرم Thank You

  • متشکرم Thank You

نمایش نظرات

نظری ارسال نشده است.

آموزش علم داده غیرمتمرکز
خرید اشتراک و دانلود خرید تکی و دانلود | 160,000 تومان (5 روز مهلت دانلود) زمان تقریبی آماده سازی لینک دانلود این دوره آموزشی حدود 5 تا 24 ساعت می باشد.
جزییات دوره
1 hour
40
Udemy (یودمی) udemy-small
01 دی 1402 (آخرین آپدیت رو دریافت می‌کنید، حتی اگر این تاریخ بروز نباشد.)
1,002
4.9 از 5
دارد
ندارد
ندارد
Sam Ghosh

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Sam Ghosh Sam Ghosh

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

Udemy (یودمی)

یودمی یکی از بزرگ‌ترین پلتفرم‌های آموزشی آنلاین است که به میلیون‌ها کاربر در سراسر جهان امکان دسترسی به دوره‌های متنوع و کاربردی را فراهم می‌کند. این پلتفرم امکان آموزش در زمینه‌های مختلف از فناوری اطلاعات و برنامه‌نویسی گرفته تا زبان‌های خارجی، مدیریت، و هنر را به کاربران ارائه می‌دهد. با استفاده از یودمی، کاربران می‌توانند به صورت انعطاف‌پذیر و بهینه، مهارت‌های جدیدی را یاد بگیرند و خود را برای بازار کار آماده کنند.

یکی از ویژگی‌های برجسته یودمی، کیفیت بالای دوره‌ها و حضور استادان مجرب و با تجربه در هر حوزه است. این امر به کاربران اعتماد می‌دهد که در حال دریافت آموزش از منابع قابل اعتماد و معتبر هستند و می‌توانند به بهترین شکل ممکن از آموزش‌ها بهره ببرند. به طور خلاصه، یودمی به عنوان یکی از معتبرترین و موثرترین پلتفرم‌های آموزشی آنلاین، به افراد امکان می‌دهد تا به راحتی و با کیفیت، مهارت‌های مورد نیاز خود را ارتقا دهند و به دنبال رشد و پیشرفت شغلی خود باشند.