El aprendizaje federado es un enfoque de aprendizaje automático distribuido que permite entrenar modelos de manera colaborativa en múltiples dispositivos o ubicaciones sin necesidad de compartir los datos brutos entre ellos. En lugar de centralizar todos los datos en un solo lugar, como se hace típicamente en el aprendizaje automático tradicional, el aprendizaje federado permite que los modelos se entrenen en los datos locales de cada dispositivo o ubicación, y luego se agreguen o fusionen los conocimientos de todos los modelos locales para formar un modelo global.
DevAcademy propone una formación en «Introducción práctica al Aprendizaje Federado» para proporcionar a los participantes los conocimientos fundamentales, habilidades y conocimientos necesarios para comprender, implementar y aplicar el Aprendizaje Automático Federado en sus proyectos. A lo largo de este programa educativo, los participantes explorarán los fundamentos teóricos y prácticos del Aprendizaje Federado, aprenderán a utilizar herramientas clave como TensorFlow Federated y PySyft, y serán capaces de diseñar y desarrollar aplicaciones de aprendizaje colaborativo y seguras en entornos distribuidos. Al finalizar este curso, los participantes estarán preparados para abordar proyectos de aprendizaje federado y contribuir a la revolución en la colaboración de datos y el respeto por la privacidad.
Temario
- ¿Qué es el Aprendizaje Federado?
- Ventajas y desafíos del Aprendizaje Federado.
- Casos de uso y aplicaciones en el mundo real.
- Herramientas y marcos de trabajo.
- Importancia de la privacidad en el Aprendizaje Federado.
- Técnicas de privacidad, como la Privacidad Diferencial.
- Consideraciones de seguridad en la comunicación de datos.
- Cumplimiento normativo y estándares.
- Componentes clave: Servidores y Clientes Federados.
- Comunicación segura entre nodos.
- Modelo de agregación de resultados.
- Configuración de entornos federados.
- Desarrollo de un servidor federado en Python
- Comunicación segura entre el servidor y los clientes
- Gestión de modelos globales y actualizaciones
- Ejercicio práctico: Creación de un servidor federado simple en Python
- Creación de clientes federados en Python
- Consideraciones de privacidad y seguridad en Federated Learning
- Agregación de actualizaciones de los clientes
- Ejercicio práctico: Desarrollo de clientes federados y garantía de privacidad
- Implementación de algoritmos de aprendizaje federado
- Comunicación y coordinación entre los clientes y el servidor
- Evaluación de modelos y métricas
- Ejercicio práctico: Entrenamiento de modelos en un entorno federado
- Casos de uso específicos de Federated Learning
- Ejemplos en la industria y la investigación
- Ejercicio práctico: Desarrollo de una aplicación de Federated Learning en un caso de uso seleccionado
Responsabilidades profesor
Presentar el contenido conforme lo presentado en el programa de formación
Proyecto en Github para clonar
Dar acceso al material necesario (PDFs, ejercicios, software, etcs) para el curso contratado.
Proveer de local para impartir la formación
Responsabilidades alumno
Participar en la formación en el periodo determinado, trayendo un notebook con los requisitos mínimos necesarios para la participación en la formación, siendo estos los siguientes:
Mínimo de 4GB de memoria RAM
Mínimo de 10GB de espacio en disco (HD).
Habilitada la virtualización tanto en software como hardware
Poseer privilegios de administración
Observaciones importantes
Confirmaciones
Las confirmaciones serán enviadas a la dirección de e-mail enviada por el alumno
Cancelaciones
Los plazos para el cancelamiento de inscripciones solicitadas, son de 5 días laborales antes del inicio del curso.
En caso de cancelamiento fuera de plazo por parte del alumno, DevAcademy se reserva el derecho a cobrar un porcentaje (20%) del valor del curso.
DevAcademy se reserva el derecho de cancelar o posponer la formación, siempre y cuando avise al contratante y/o devuelva el importe íntegro en caso de cancelación
Obligaciones del alumno
Es obligatorio que el alumno cumpla con todos las obligaciones recomendadas por el profesor para seguir todos los ejercicios y no demorar ni perjudicar la clase. Es posible que días antes se envie un email como recordatorio al alumno con instrucciones a seguir u obligaciones desarrollar para poder estar preparado al comienzo de la clase.
