Programa del Curso

Introducción a Federated Learning

  • Descripción general del entrenamiento de IA tradicional vs. aprendizaje federado
  • Principios clave y ventajas del aprendizaje federado
  • Casos de uso de aprendizaje federado en aplicaciones Edge AI

Federated Learning Arquitectura y flujo de trabajo

  • Modelos de aprendizaje federado cliente-servidor y peer-to-peer
  • Partición de datos y entrenamiento de modelos descentralizados
  • Protocolos Communication y estrategias de agregación

Implementación de Federated Learning con TensorFlow Federated

  • Configurar TensorFlow Federated para entrenamiento de IA distribuida
  • Construcción de modelos de aprendizaje federado utilizando Python
  • Simulación de aprendizaje federado en dispositivos perimetrales

Federated Learning con PyTorch y OpenFL

  • Introducción a OpenFL para aprendizaje federado
  • Implementación de modelos federados basados en PyTorch
  • Personalización de técnicas de agregación federada

Optimización del rendimiento para Edge AI

  • Aceleración de hardware para aprendizaje federado
  • Reducir la sobrecarga de comunicación y la latencia
  • Estrategias de aprendizaje adaptativo para dispositivos con recursos limitados

Privacidad de los datos y seguridad en Federated Learning

  • Técnicas de preservación de la privacidad (Agregación segura, Privacidad diferencial, Cifrado homomórfico)
  • Mitigación de riesgos de fuga de datos en modelos de IA federados
  • Cumplimiento normativo y consideraciones éticas

Desplegando sistemas Federated Learning

  • Configurar el aprendizaje federado en dispositivos perimetrales reales
  • Monitorear y actualizar modelos federados
  • Escalar implementaciones de aprendizaje federado en entornos empresariales

Tendencias futuras y estudios de caso

  • Investigación emergente en aprendizaje federado y Edge AI
  • Estudios de caso del mundo real en atención médica, finanzas e IoT
  • Siguientes pasos para avanzar en las soluciones de aprendizaje federado

Resumen y próximos pasos

Requerimientos

  • Gran comprensión de los conceptos de aprendizaje automático y aprendizaje profundo
  • Experiencia con Python programación y marcos de IA (PyTorch, TensorFlow o similar)
  • Conocimientos básicos de informática distribuida y redes
  • Familiaridad con los conceptos de privacidad de datos y seguridad en IA

Público

  • Investigadores de IA
  • Científicos de datos
  • Especialistas en seguridad
 21 Horas

Número de participantes


Precio por Participante​

Próximos cursos

Categorías Relacionadas