MegaData: ühendatud masinõpe

28.07.2024 - 10.08.2024

Toimumise aeg

Vaata kõiki kursusi

Vaata lähemalt

Maht

3 EAP (78 tundi)

Õppetöö vorm

põimõpe

Toimumiskoht

Tartu

Hind

850 EUR

Õppejõud

Feras Mahmoud Naji Awaysheh

Õppekava rühm

Informatsiooni- ja kommunikatsioonitehnoloogiad, mujal liigitamata

Õppekeel

Inglise

Eesmärk:

1. Masinõppe ja hajutatud süsteemide lühikokkuvõte.
2. Edge intelligentsuse põhimõtted ja hajutatud andmeanalüütika peamised väljakutsed, andmete privaatsuse säilitamine.
3. Kaasaegsed võrguarhitektuurid suuremahuliseks andmeanalüütikaks.
4. Liitõppe avatud lähtekoodiga raamistikud: piirangud, väljakutsed ja võimalused.
5. Liitõppe juurutused ja rakendused kaasaegsetes süsteemides.
6. Täiustatud servaoperatsioonid (uus trend) ja hajutatud ML/AI süsteemid: meetodid tõhusate ja täpsete ML-mudelite kujundamiseks hajutatud keskkonnas?
7. Juhtumiuuringud ja projektid: kuidas saame rakendada ühendatud õppe kasutusjuhtumeid ja stsenaariume?

Sihtrühm:

PhD ja MSc

Täiendav info

Kursuse õpiväljundid:

Selle kursuse edukal lõpetamisel peaksid õpilased suutma:
1. Näidake teadmisi tekkivast liitõppe arhitektuurist ja andmete privaatsusest, kasutades erinevaid raamistikke.
2. Mõistke täiustatud liitõppelahenduste erinevaid võimalusi.
3. Rakendage tipptasemel täiustatud liitõppesüsteeme, et luua skaleeritavaid lahendusi andmete privaatsuse tagamiseks erinevates rakendusvaldkondades.
4. Näidake võimet luua keerulisi ühendatud õppekonveierid, mis integreerivad erinevaid arhitektuure heterogeensete andmekogumite ja mudelitega tegelemiseks.
5. Arendada strateegilist mõtlemist ja pehmeid oskusi tööstuse ja äri edu saavutamiseks, kasutades tipptasemel lahendusi, mis eeldatavasti juhivad järgmisel kümnendil uurimistööd.

Õppejõud:

Feras Mahmoud Naji Awaysheh - Lecturer of Edge Analytics. PhD holder. 8 years of working experience in academia.

Content:

Teema	Maht	Õppejõud
1. Introduction to Machine Learning (ML pipelines). -ML Lifecycle -Prepare Dataset and apply traditional ML and DL -Compare to deep learning -Data privacy and Data Protection Regulation (e.g., GDPR) -Introduction to Federated Machine learning -Simulating a vanilla FL -Apply FedAVG algorithm -Challengers of FL -FL aggregation algorithms and applications -Different FL aggregation algorithms -Horizontal and Vertical Data distribution -Guest presentation on vertical FL by Afsana Khan -Intro to FL open-source frameworks (e.g., FEDn and FLOWER) -Frameworks installation, configuration, and setup -Guest tutorial by FLOWER framework developers -FL Architectures and Communication efficiency techniques -Use cases: cross-silo and cross-device -Group read and project ideas -One-Shot Federated Learning by Mohamed Elmahallawy -New trends in FL and Personalized modelling -Guest session on Federated Learning for Tabular Data by William Lindskog -New trends e.g., Meta Learning, Transfer Learning, Split Learning, and Interactive Learning -AutoML as a solution for FL optimization -Guest session on AutoML by Hassan Eldeeb -Applying AutoML to FL	78