En el mundo del aprendizaje automático y el análisis de datos, la colaboración y la privacidad se han convertido en factores críticos. La necesidad de entrenar modelos de manera conjunta en datos distribuidos, sin comprometer la seguridad ni la confidencialidad de la información, ha impulsado el surgimiento del Aprendizaje Automático Federado (Federated Learning).

DevAcademy, a través de su comunidad de profesores, propone un curso donde el alumno aprenderá conceptos fundamentales y prácticas avanzadas de TensorFlow Federated (TFF). Se aprenderá a crear servidores y clientes federados, a gestionar modelos globales y a implementar estrategias de entrenamiento distribuido, todo ello con un enfoque en la seguridad y la privacidad de los datos. Al final de este curso, el alumno estará preparado para abordar desafíos del mundo real, desarrollar aplicaciones de aprendizaje federado y contribuir al futuro de la colaboración en el aprendizaje automático.

¿Qué es TensorFlow Federated?

TensorFlow Federated (TFF) es un marco de código abierto diseñado para entrenar modelos de aprendizaje automático en datos distribuidos sin la necesidad de centralizar estos datos. Proporciona herramientas y técnicas para permitir la colaboración segura y la privacidad de los datos en proyectos de aprendizaje automático distribuido. TFF se ha convertido en una herramienta esencial para abordar desafíos como el entrenamiento en dispositivos móviles, la preservación de la privacidad y la colaboración global en proyectos de aprendizaje automático.

• ¿Qué es el Aprendizaje Automático Federado (Federated Learning)?
• ¿Qué es TensorFlow Federated (TFF)?
• Conceptos fundamentales en Federated Learning
• Instalación y configuración de TensorFlow Federated
• Estructuras de datos federadas en TFF
• Ventajas y desafíos de Federated Learning
• Casos de uso en el mundo real

• Creación de modelos personalizados en TFF
• Algoritmos de agregación en Federated Learning
• Implementación de entrenamiento federado personalizado
• Optimización y ajuste de hiperparámetros en TFF

• Implementación de un servidor federado avanzado
• Comunicación segura y eficiente con clientes federados
• Manejo de modelos globales y actualizaciones en TFF
• Implementación de políticas de agregación personalizadas
• Ejercicio práctico: Creación de un servidor federado avanzado en TFF

• Creación de clientes federados altamente personalizados
• Integración de privacidad y seguridad en clientes federados
• Uso de comunicación federada avanzada en TFF
• Implementación de algoritmos de selección de clientes
• Ejercicio práctico: Implementación de clientes federados avanzados en TFF

• Estrategias avanzadas de entrenamiento en Federated Learning
• Evaluación y métricas personalizadas en TFF
• Uso de políticas de agregación adaptativas
• Implementación de enfoques de adaptación de modelos
• Ejercicio práctico: Desarrollo de estrategias de entrenamiento avanzadas en TFF

• Casos de uso avanzados de Federated Learning con TFF
• Implementación de soluciones de Federated Learning en aplicaciones del mundo real
• Optimización y despliegue de modelos federados
• Exploración de desafíos y soluciones en proyectos reales
• Ejercicio práctico: Desarrollo de una aplicación de Federated Learning en un proyecto completo

• Escalabilidad en Federated Learning con TFF
• Optimización de rendimiento en servidores y clientes federados
• Implementación de soluciones para grandes conjuntos de datos federados
• Consideraciones de recursos y hardware en TFF
• Ejercicio práctico: Optimización de rendimiento en TFF para aplicaciones a gran escala

• Herramientas y técnicas de depuración en TFF
• Pruebas y validación de modelos federados en TFF
• Resolución de problemas comunes en proyectos de Federated Learning
• Ejercicio práctico: Pruebas y depuración de soluciones en TFF

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.