Translation not up to date
Stowarzyszona nauka udostępnia narzędzia dla wielu zdalnych stron w celu grupowego uczenia modelu uczenia się pojedynczego komputera bez współużytkowania danych. Każda ze stron potrenuje model lokalny z prywatnym zestawem danych. Tylko model lokalny jest wysyłany do agregatora w celu poprawy jakości modelu globalnego, który przynosi korzyści wszystkim stronom.
Format danych
Każdy format danych, w tym pliki CSV, pliki JSON i bazy danych dla PostgreSQL, ale nie tylko w formacie CSV.
Jak działa program Federated Learning
Obejrzyj ten przegląd wideo, aby poznać podstawowe pojęcia i elementy eksperymentu programu Federated Learning. Dowiedz się, w jaki sposób można zastosować narzędzia do udoskonaleń analitycznych Twojej firmy.
Ten film wideo udostępnia metodę wizualną, która umożliwia poznanie pojęć i zadań w tej dokumentacji.
Przykładem zastosowania programu Federated Learning jest to, że sojusz lotniczy chce modelować, w jaki sposób globalna pandemia wpływa na opóźnienia linii lotniczych. Każda uczestnicząca strona w federacji może wykorzystać swoje dane do szkolenia wspólnego modelu bez przesuwając się lub dzieląc się swoimi danymi. Mogą to zrobić zarówno w silosach aplikacji, jak i w każdym innym scenariuszu, w którym względy prawne lub pragmatyczne uniemożliwiają użytkownikom współużytkowanie danych. Model ten przynosi korzyści każdemu członkowi sojuszu z ulepszonym spostrzeżeniem biznesowym, jednocześnie obniżając ryzyko związane z migracją danych i problemami dotyczącymi prywatności.
Jak pokazuje poniższy rysunek, strony mogą być geograficznie rozmieszczone i uruchamiane na różnych platformach.
Dlaczego należy używać programu IBM Federated Learning
Program IBM Federated Learning oferuje szeroki zakres zastosowań w wielu gałęziach przemysłu. Nauka stowarzyszona:
- Umożliwia dostęp do serwisów z dużymi woluminami danych, które mają być gromadzone, czyszczone i szkolone w skali przedsiębiorstwa bez migracji.
- Służy do uwzględniania różnic w formacie danych, jakości i ograniczeniach.
- Zgodność z prywatnością danych i bezpieczeństwem podczas uczenia modeli z różnymi źródłami danych.
Więcej inform.
- Kursy i przykłady związane z edukacją federacyjną
- Kurs stowarzyszony Tensorflow dla interfejsu użytkownika
- Przykłady uczenia stowarzyszonego Tensorflow dla interfejsu API
- Kurs programu Federated Learning XGBoost dla interfejsu użytkownika
- Przykład programu Federated Learning XGBoost dla interfejsu API
- Przykład szyfrowania homomorficznego programu Federated Learning dla interfejsu API
- pierwsze kroki
- Frameworki, metody fuzji i wersje Python
- Tworzenie eksperymentu edukacyjnego stowarzyszonego
- Stosowanie szyfrowania
- Ograniczenia i rozwiązywanie problemów
Temat nadrzędny: Analizowanie danych i modeli budynków