دانلود کتاب Federated Learning: Fundamentals and Advances
کتاب یادگیری فدرال: مبانی و پیشرفت ها نسخه زبان اصلی
دانلود کتاب یادگیری فدرال: مبانی و پیشرفت ها بعد از پرداخت مقدور خواهد بود
توضیحات کتاب در بخش جزئیات آمده است و می توانید موارد را مشاهده فرمایید
توضیحاتی در مورد کتاب Federated Learning: Fundamentals and Advances
نام کتاب : Federated Learning: Fundamentals and Advances
عنوان ترجمه شده به فارسی : یادگیری فدرال: مبانی و پیشرفت ها
سری : Machine Learning: Foundations, Methodologies, and Applications
نویسندگان : Yaochu Jin, Hangyu Zhu, Jinjin Xu, Yang Chen
ناشر : Springer
سال نشر : 2022
تعداد صفحات : 226
[227]
ISBN (شابک) : 9811970823 , 9789811970825
زبان کتاب : English
فرمت کتاب : pdf
حجم کتاب : 6 Mb
بعد از تکمیل فرایند پرداخت لینک دانلود کتاب ارائه خواهد شد. درصورت ثبت نام و ورود به حساب کاربری خود قادر خواهید بود لیست کتاب های خریداری شده را مشاهده فرمایید.
توضیحاتی در مورد کتاب :
این کتاب خوانندگان را با مبانی و پیشرفت‌های اخیر در یادگیری فدرال، تمرکز بر کاهش هزینه‌های ارتباطی، بهبود کارایی محاسباتی و افزایش سطح امنیت آشنا می‌کند. یادگیری فدرال یک پارادایم یادگیری ماشینی توزیع شده است که آموزش مدل را روی حجم وسیعی از داده های غیرمتمرکز امکان پذیر می کند. هدف آن استفاده کامل از داده‌ها در سازمان‌ها یا دستگاه‌ها در حین رعایت الزامات نظارتی، حریم خصوصی و امنیتی است.
کتاب با مقدمه‌ای مستقل بر شبکه‌های عصبی مصنوعی، مدل‌های یادگیری عمیق، الگوریتم‌های یادگیری تحت نظارت، الگوریتم‌های تکاملی و یادگیری تکاملی شروع می‌شود. سپس اطلاعات مختصری در مورد محاسبات ایمن چند جانبه، حریم خصوصی دیفرانسیل، و رمزگذاری همومورف ارائه می‌شود و به دنبال آن شرح مفصلی از یادگیری فدرال ارائه می‌شود. به نوبه خود، این کتاب به آخرین پیشرفت‌ها در تحقیقات یادگیری فدرال، به‌ویژه از دیدگاه کارآمدی ارتباطات، یادگیری تکاملی و حفظ حریم خصوصی می‌پردازد. این کتاب به‌ویژه برای این کتاب مناسب است دانشجویان فارغ التحصیل، محققان دانشگاهی و متخصصان صنعتی در زمینه یادگیری ماشین و هوش مصنوعی. همچنین می تواند به عنوان یک منبع خودآموز برای خوانندگان با پیشینه علمی یا مهندسی یا به عنوان متن مرجع برای دوره های تحصیلات تکمیلی استفاده شود.توضیحاتی در مورد کتاب به زبان اصلی :
This book introduces readers to the fundamentals of and recent advances in federated learning, focusing on reducing communication costs, improving computational efficiency, and enhancing the security level. Federated learning is a distributed machine learning paradigm which enables model training on a large body of decentralized data. Its goal is to make full use of data across organizations or devices while meeting regulatory, privacy, and security requirements.
The book starts with a self-contained introduction to artificial neural networks, deep learning models, supervised learning algorithms, evolutionary algorithms, and evolutionary learning. Concise information is then presented on multi-party secure computation, differential privacy, and homomorphic encryption, followed by a detailed description of federated learning. In turn, the book addresses the latest advances in federate learning research, especially from the perspectives of communication efficiency, evolutionary learning, and privacy preservation. The book is particularly well suited for graduate students, academic researchers, and industrial practitioners in the field of machine learning and artificial intelligence. It can also be used as a self-learning resource for readers with a science or engineering background, or as a reference text for graduate courses.