کتاب یادگیری فدرال با حفظ حریم خصوصی تفاضلی: از تئوری تا پیاده‌سازی با فرمت AZW3 برای کتابخوان کیندل و فرمت EPUB

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره یادگیری فدرال با حفظ حریم خصوصی تفاضلی: از تئوری تا پیاده‌سازی

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: یادگیری ماشین توزیع شده و حفظ حریم خصوصی

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر یادگیری فدرال: مفاهیم و کاربردها
• 2. چالش‌های یادگیری متمرکز و ضرورت یادگیری فدرال
• 3. معماری کلی سیستم‌های یادگیری فدرال
• 4. بررسی انواع داده‌ها در یادگیری فدرال (IID و Non-IID)
• 5. مراحل اصلی آموزش یک مدل با یادگیری فدرال
• 6. معرفی حفظ حریم خصوصی تفاضلی (Differential Privacy)
• 7. مفاهیم پایه حفظ حریم خصوصی تفاضلی: ε و δ
• 8. مکانیسم‌های اصلی حفظ حریم خصوصی تفاضلی (مانند Laplace و Gaussian)
• 9. حفظ حریم خصوصی تفاضلی در یادگیری فدرال: چالش‌ها و راهکارها
• 10. اضافه کردن نویز به گرادیان‌ها در یادگیری فدرال
• 11. حفظ حریم خصوصی تفاضلی در جمع‌آوری مدل‌ها
• 12. تکنیک‌های پیشرفته حفظ حریم خصوصی تفاضلی: Clipping و Aggregation
• 13. بررسی الگوریتم‌های بهینه‌سازی برای یادگیری فدرال با حفظ حریم خصوصی
• 14. مقایسه الگوریتم‌های مختلف حفظ حریم خصوصی تفاضلی در یادگیری فدرال
• 15. ارزیابی عملکرد مدل‌های آموزش‌دیده با یادگیری فدرال و حفظ حریم خصوصی
• 16. معیارهای ارزیابی در یادگیری فدرال (Accuracy، Precision، Recall و...)
• 17. تاثیر پارامترهای حفظ حریم خصوصی بر عملکرد مدل
• 18. بررسی اثرات Non-IID بودن داده‌ها بر حفظ حریم خصوصی
• 19. روش‌های کاهش اثرات Non-IID بودن داده‌ها
• 20. بهینه‌سازی مصرف انرژی و پهنای باند در یادگیری فدرال
• 21. یادگیری فدرال در محیط‌های ناهمگن (Heterogeneous Systems)
• 22. یادگیری فدرال با استفاده از رمزنگاری همومورفیک (Homomorphic Encryption)
• 23. یادگیری فدرال با استفاده از محاسبات چندجانبه امن (Secure Multi-Party Computation)
• 24. آشنایی با چارچوب‌های نرم‌افزاری یادگیری فدرال (TensorFlow Federated، PySyft)
• 25. پیاده‌سازی یک مدل یادگیری فدرال ساده با TensorFlow Federated
• 26. پیاده‌سازی یک مدل یادگیری فدرال با حفظ حریم خصوصی تفاضلی با PySyft
• 27. بررسی حملات و تهدیدات امنیتی در یادگیری فدرال
• 28. روش‌های مقابله با حملات مدل‌زنی (Model Poisoning Attacks)
• 29. روش‌های مقابله با حملات استنتاج حریم خصوصی (Privacy Inference Attacks)
• 30. یادگیری فدرال در کاربردهای خاص: مراقبت‌های بهداشتی
• 31. یادگیری فدرال در کاربردهای خاص: تشخیص تقلب
• 32. یادگیری فدرال در کاربردهای خاص: پردازش زبان طبیعی
• 33. یادگیری فدرال در کاربردهای خاص: اینترنت اشیا (IoT)
• 34. آینده یادگیری فدرال و حفظ حریم خصوصی
• 35. بررسی مقالات و تحقیقات جدید در زمینه یادگیری فدرال و حفظ حریم خصوصی
• 36. چالش‌های پیش روی تجاری‌سازی یادگیری فدرال
• 37. ملاحظات قانونی و اخلاقی در استفاده از یادگیری فدرال
• 38. بررسی استانداردهای مربوط به حفظ حریم خصوصی در یادگیری فدرال
• 39. استفاده از یادگیری فدرال برای آموزش مدل‌های زبان بزرگ (LLMs)
• 40. یادگیری فدرال و یادگیری تقویتی توزیع شده
• 41. یادگیری فدرال و انتقال یادگیری (Transfer Learning)
• 42. تکنیک‌های فشرده‌سازی مدل برای یادگیری فدرال
• 43. یادگیری فدرال شخصی‌سازی شده (Personalized Federated Learning)
• 44. یادگیری فدرال با استفاده از بلاک‌چین (Blockchain)