آموزش علم داده غیرمتمرکز

Decentralized Data Science

در حال بارگزاری نمونه ویدیو، لطفا صبر کنید...
Video Player is loading.
Current Time 0:00
Duration 0:00
Loaded: 0%
Stream Type LIVE
Remaining Time 0:00
 
1x
    • Chapters
    • descriptions off, selected
    • subtitles off, selected
      نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
      نمونه ویدیوها:
      • در حال بارگزاری، لطفا صبر کنید...
      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

      آموزش علم داده غیرمتمرکز
      جزییات دوره
      1 hour
      40
      Udemy (یودمی) Udemy (یودمی)
      (آخرین آپدیت)
      1,002
      4.9 از 5
      دارد
      ندارد
      ندارد
      Sam Ghosh
      جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

      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