Programa do Curso

Introdução a Federated Learning

  • Visão geral de Federated Learning
  • Principais conceitos e vantagens
  • Federated Learning vs. aprendizagem automática tradicional

Privacidade e segurança dos dados na IA

  • Compreender as preocupações com a privacidade dos dados na IA
  • Quadros regulamentares e conformidade (por exemplo, GDPR)
  • Introdução às técnicas de preservação da privacidade

Técnicas de Federated Learning

  • Implementação de Federated Learning com Python e PyTorch
  • Construção de modelos de preservação da privacidade utilizando quadros Federated Learning
  • Desafios em Federated Learning: comunicação, computação e segurança

Aplicações do mundo real de Federated Learning

  • Federated Learning nos cuidados de saúde
  • Federated Learning nas finanças e na banca
  • Federated Learning em dispositivos móveis e IoT

Tópicos avançados em Federated Learning

  • Explorando a privacidade diferencial em Federated Learning
  • Agregação segura e técnicas de encriptação
  • Direcções futuras e tendências emergentes

Estudos de casos e aplicações práticas

  • Estudo de caso: Implementação de Federated Learning num ambiente de cuidados de saúde
  • Exercícios práticos com conjuntos de dados do mundo real
  • Aplicações práticas e trabalho de projeto

Resumo e próximos passos

Requisitos

  • Compreensão dos fundamentos da aprendizagem automática
  • Conhecimentos básicos dos princípios da privacidade dos dados
  • Experiência com programação Python

Público-alvo

  • Engenheiros de privacidade
  • Especialistas em ética de IA
  • Responsáveis pela privacidade de dados
 14 Horas

Próximas Formações Provisórias

Categorias Relacionadas