Maschinell übersetztes Thema Sie können zur englischen Version wechseln.

Die genaueste und aktuellste Version dieser Dokumentation finden Sie in der englischen (ursprünglichen) Version. IBM haftet nicht für Schäden oder Verluste, die durch die Verwendung automatisch (maschinell) übersetzter Inhalte entstehen.

Tutorials und Beispiele für föderiertes Lernen

Letzte Aktualisierung: 07. Okt. 2024

Wählen Sie das Lernprogramm aus, das Ihren Anforderungen entspricht. Zur Erleichterung des Lernprozesses bezüglich Federated Learning wird ein Lernprogramm mit einem auf einer Benutzerschnittstelle basierenden Konzept und ein Lernprogramm mit einem auf API-Aufrufen basierenden Konzept für mehrere Frameworks und Datasets bereitgestellt. Die Ergebnisse beider Lernprogramme sind identisch. Alle auf einer Benutzerschnittstelle basierenden Lernprogramme veranschaulichen die Erstellung des Federated Learning-Experiments in einer Low-Code-Umgebung. Alle API-basierten Lernprogramme verwenden zwei Beispielnotebooks mit Python-Scripts, um zu veranschaulichen, wie das Experiment erstellt und trainiert wird.

Tensorflow

Diese praktischen Lernprogramme liefern Ihnen schrittweise Anweisungen zum Erstellen eines Federated Learning-Experiments. In diesen Lernprogrammen wird das MNIST-Dataset verwendet, um zu zeigen, wie verschiedene Parteien Daten zum Trainieren eines Modells zum Erkennen von Handschriften beitragen können. Sie können zwischen einer benutzerschnittstellenbasierten oder API-gesteuerten Version des Lernprogramms wählen.

XGBoost

Dieses Lernprogramm für Federated Learning vermittelt Ihnen schrittweise, wie Sie ein Experiment mit einem Einkommen im XGBoost-Framework erstellen. Das Lernprogramm veranschaulicht, wie verschiedene Parteien Daten zum Trainieren eines Modells über das Einkommen von Erwachsenen beizutragen können.

Homomorphe Verschlüsselung

In diesem Lernprogramm für Federated Learning erfahren Sie, wie Sie die erweiterte Methode der homomorphen Verschlüsselung Schritt für Schritt verwenden können.