Kurzusleírás

Bevezetés a Federated Learningbe

  • Mi a federated learning, és miben különbözik a centralizált tanulástól?
  • A federated learning előnyei a biztonságos AI együttműködésben
  • Használati esetek és alkalmazások érzékeny adatokat érintő területeken

A Federated Learning alapvető összetevői

  • Federated adatok, kliensek és modell aggregáció
  • Kommunikációs protokollok és frissítések
  • Heterogenitás kezelése federated környezetekben

Adatvédelem és biztonság a Federated Learningben

  • Adatminimalizálás és adatvédelmi elvek
  • Technikák a modellfrissítések biztonságossá tételéhez (pl. differenciális adatvédelem)
  • Federated learning az adatvédelmi előírásoknak megfelelően

Federated Learning implementálása

  • Federated learning környezet beállítása
  • Elosztott modelltanítás federated keretrendszerekkel
  • Teljesítmény és pontosság szempontjai

Federated Learning az egészségügyben

  • Biztonságos adatmegosztás és adatvédelmi kérdések az egészségügyben
  • Együttműködő AI az orvosi kutatásban és diagnosztikában
  • Esettanulmányok: federated learning az orvosi képalkotásban és diagnosztikában

Federated Learning a pénzügyekben

  • Federated learning alkalmazása biztonságos pénzügyi modellezéshez
  • Csalásészlelés és kockázatelemzés federated megközelítéssel
  • Esettanulmányok a biztonságos adatmegosztásról pénzügyi intézményekben

Kihívások és a Federated Learning jövője

  • Technikai és működési kihívások a federated learningben
  • Jövőbeli trendek és fejlesztések a federated AI területén
  • Lehetőségek felfedezése a federated learning alkalmazására különböző iparágakban

Összefoglalás és következő lépések

Követelmények

  • Alapvető ismeretek a gépi tanulás fogalmairól
  • Ismeretek az adatvédelem és biztonság alapjaival

Közönség

  • Adattudósok és AI kutatók, akik az adatvédelmet előtérbe helyező gépi tanulással foglalkoznak
  • Egészségügyi és pénzügyi szakemberek, akik érzékeny adatokkal dolgoznak
  • IT és megfelelőségi menedzserek, akik érdeklődnek a biztonságos AI együttműködési módszerek iránt
 14 Órák

Résztvevők száma


Ár per résztvevő

A nyílt képzésekhez 5+ résztvevő szükséges.

Közelgő kurzusok

Federated Learning for Secure AI Collaboration

2026-02-23 09:30
14 órák
Kecskemét
540 EUR (Online.)
940 EUR (Tanterem)

Federated Learning for Secure AI Collaboration

2026-03-09 09:30
14 órák
Pécs, Belváros
540 EUR (Online.)
940 EUR (Tanterem)

Federated Learning for Secure AI Collaboration

2026-03-23 09:30
14 órák
Debrecen
540 EUR (Online.)
940 EUR (Tanterem)

Federated Learning for Secure AI Collaboration

2026-04-06 09:30
14 órák
Budapest, City Center
540 EUR (Online.)
940 EUR (Tanterem)

Federated Learning for Secure AI Collaboration

2026-04-20 09:30
14 órák
Miskolc
540 EUR (Online.)
940 EUR (Tanterem)

Rokon tanfolyam

Haladó Federated Learning Technikák

 21 Órák

Ez az oktató által vezetett, élőben zajló képzés Magyarország (online vagy helyszíni) haladó szintű szakembereknek szól, akik szeretnék elsajátítani a legújabb Federated Learning technikákat, és nagy léptékű AI projektekben alkalmazni azokat.

A képzés végére a résztvevők képesek lesznek:

  • Optimalizálni a Federated Learning algoritmusokat a jobb teljesítmény érdekében.
  • Kezelni a nem azonos eloszlású (non-IID) adatokat a Federated Learningben.
  • Skálázni a Federated Learning rendszereket nagy léptékű telepítésekhez.
  • Foglalkozni az adatvédelemmel, biztonsággal és etikai kérdésekkel a haladó Federated Learning forgatókönyvekben.
Olvass tovább...

Bevezetés a Federated Learningbe

 14 Órák

Ez az oktató által vezetett, élő képzés Magyarország-ben (online vagy helyszínen) kezdő szintű szakembereknek szól, akik szeretnének megismerni a Federated Learning alapjait és gyakorlati alkalmazásait.

A képzés végén a résztvevők képesek lesznek:

  • Megérteni a Federated Learning alapelveit.
  • Alapvető Federated Learning algoritmusokat implementálni.
  • Adatvédelmi aggályok kezelése a Federated Learning segítségével.
  • A Federated Learning integrálása meglévő AI munkafolyamatokba.
Olvass tovább...

Federated Learning és Edge AI

 21 Órák

Ez az oktató által vezetett, élő képzés Magyarország-ben (online vagy helyszíni) haladó szintű AI-kutatók, adattudósok és biztonsági szakemberek számára készült, akik szeretnék megvalósítani a federated learning technikákat AI modellek képzésére több edge eszközön keresztül, miközben megőrzik az adatvédelmet.

A képzés végére a résztvevők képesek lesznek:

  • Megérteni a federated learning alapelveit és előnyeit az Edge AI-ban.
  • Federated learning modelleket implementálni a TensorFlow Federated és PyTorch segítségével.
  • Optimalizálni az AI-képzést elosztott edge eszközökön.
  • Kezelni az adatvédelmi és biztonsági kihívásokat a federated learningben.
  • Üzembe helyezni és monitorozni federated learning rendszereket valós alkalmazásokban.
Olvass tovább...

Federated Learning a pénzügyi szektorban

 14 Órák

Ez az oktató által vezetett, élő képzés Magyarország-ben (online vagy helyszíni) középszintű szakembereknek szól, akik szeretnék alkalmazni a Federated Learning technikákat az adatvédelem és az együttműködésen alapuló mesterséges intelligencia fejlesztésében a pénzügyi iparágban.

A képzés végére a résztvevők képesek lesznek:

  • Megérteni a Federated Learning alapelveit és előnyeit a pénzügyi szektorban.
  • Implementálni Federated Learning modelleket az adatvédelmet biztosító pénzügyi alkalmazásokhoz.
  • Együttműködve elemezni pénzügyi adatokat az adatvédelem sérülése nélkül.
  • Alkalmazni a Federated Learninget valós pénzügyi forgatókönyvekben, például csalásfelismerésben és kockázatkezelésben.
Olvass tovább...

Federated Learning az Egészségügyben

 21 Órák

Ez az oktató által vezetett, élő képzés Magyarország (online vagy helyszíni) középszintű szakembereknek szól, akik a Federated Learning alkalmazását szeretnék megismerni egészségügyi forgatókönyvekben, biztosítva az adatvédelmet és az intézmények közötti hatékony együttműködést.

A képzés végén a résztvevők képesek lesznek:

  • Megérteni a Federated Learning szerepét az egészségügyben.
  • Federated Learning modelleket implementálni, miközben megőrzik a betegadatok védelmét.
  • Együttműködni AI-modellek képzésében több egészségügyi intézmény között.
  • Federated Learning alkalmazása valós egészségügyi esettanulmányokon.
Olvass tovább...

Federated Learning az IoT és Edge Computing területén

 14 Órák

Ez az oktató által vezetett, élőben képzés Magyarország (online vagy helyszínen) középszintű szakembereknek szól, akik szeretnék alkalmazni a Federated Learninget az IoT és edge computing megoldások optimalizálására.

A képzés végére a résztvevők képesek lesznek:

  • Megérteni a Federated Learning alapelveit és előnyeit az IoT és edge computing területén.
  • Federated Learning modellek implementálása IoT eszközökön decentralizált AI feldolgozáshoz.
  • Késleltetés csökkentése és valós idejű döntéshozatal javítása edge computing környezetekben.
  • Az adatvédelemmel és hálózati korlátozásokkal kapcsolatos kihívások kezelése IoT rendszerekben.
Olvass tovább...

Federated Learning az adatvédelemmel összeegyeztethető mesterséges intelligencia érdekében

 14 Órák

Ez az oktató által vezetett, élő képzés Magyarország (online vagy helyszíni) középszintű szakembereknek szól, akik szeretnék megérteni és alkalmazni a Federated Learninget a mesterséges intelligencia fejlesztésében az adatvédelem biztosítása érdekében.

A képzés végére a résztvevők képesek lesznek:

  • Megérteni a Federated Learning alapelveit és előnyeit.
  • Adatvédelemmel összeegyeztethető gépi tanulási modelleket implementálni Federated Learning technikák segítségével.
  • Megbirkózni az adatvédelem kihívásaival a decentralizált mesterséges intelligencia képzés során.
  • A Federated Learning alkalmazása valós helyzetekben különböző iparágakban.
Olvass tovább...

Rokon kategóriák

Federated Learning
Federated Learning