آموزش یادگیری فدرال و سیستم‌های RAG حفظ‌کننده حریم خصوصی - آخرین آپدیت

دانلود Federated Learning and Privacy-preserving RAGs

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: حوزه‌های حساس مانند بهداشت و درمان و امور مالی به خط‌لوله‌های RAG نیاز دارند که از حریم خصوصی داده‌ها محافظت کنند. در این دوره آموزشی با عنوان «یادگیری فدرال و RAGهای حفظ‌کننده حریم خصوصی»، شما یاد خواهید گرفت که چگونه سیستم‌های هوش مصنوعی سازمانی را ضمن حفظ عملکرد، ایمن کنید. در ابتدا، اصول و چالش‌های یادگیری فدرال (Federated Learning) و دلیل اهمیت حریم خصوصی برای RAG را بررسی خواهید کرد. سپس، با استفاده از ابزارهایی مانند PySyft و OpenFL، یک خط‌لوله یادگیری فدرال برای آموزش مدل‌ها بدون اشتراک‌گذاری داده‌های خام خواهید ساخت. در نهایت، روش‌های حفظ حریم خصوصی مانند محاسبات چندجانبه امن (Secure Multi-party Computation) و حریم خصوصی تفاضلی (Differential Privacy) را برای محافظت از اطلاعات حساس پیاده‌سازی خواهید کرد. در پایان این دوره، مهارت‌های لازم برای طراحی خط‌لوله‌های RAG را کسب می‌کنید که برای استقرار در محیط‌های واقعی، هم دقیق و هم امن باشند.

سرفصل ها و درس ها

یادگیری فدرال و RAGهای حفظ‌کننده حریم خصوصی Federated Learning and Privacy-preserving RAGs

  • مقدمه Introduction

  • مبانی یادگیری فدرال Federated Learning Fundamentals

  • چالش‌ها و راهکارها Challenges and Solutions

  • بررسی عمیق معماری Architecture Deep Dive

  • ساخت RAG فدرال Building Federated RAG

  • دمو: راه‌اندازی یادگیری فدرال Demo: Federated Learning Setup

  • محاسبات چندجانبه امن Secure Multi-party Computation

  • حریم خصوصی تفاضلی Differential Privacy

  • موازنه و سبک‌سنگین کردن‌ها Trade-offs

  • دمو: موازنه دقت و حریم خصوصی با حریم خصوصی تفاضلی Demo: Privacy-accuracy Trade-off with Differential Privacy

  • نکات کلیدی و جمع‌بندی Key Takeaways

نمایش نظرات

آموزش یادگیری فدرال و سیستم‌های RAG حفظ‌کننده حریم خصوصی
جزییات دوره
29m
11
Pluralsight (پلورال سایت) Pluralsight (پلورال سایت)
(آخرین آپدیت)
2
از 5
دارد
دارد
دارد
Eva Paunova
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Eva Paunova Eva Paunova

اوا پائونوا (Eva Paunova) دانشمند ارشد تحقیقات هوش مصنوعی با مدرک PhD از ETH زوریخ و بیش از ۱۵ سال تجربه در پیاده‌سازی سیستم‌های یادگیری ماشین در مقیاس بزرگ است. تخصص او در تبدیل تحقیقات به پیاده‌سازی‌های آماده تولید، با مهارت عمیق در RLHF، بهینه‌سازی چندهدفه و مهندسی LLM است. سوابق اثرگذار او شامل متدهای تجزیه محدودیت ادغام شده در NVIDIA Nemotron، چارچوب‌های استحکام مستقر در سیستم‌های تولیدی و پیاده‌سازی‌های NLP برای میلیون‌ها کاربر است. تمرکز او بر مهندسی تحقیقات و اجرای روش‌های پیشرو است.