کتاب Federated Learning: Fundamentals and Advances اثر جمعی از نویسندگان انتشارات مؤلفین طلایی

کتاب Federated Learning: Fundamentals and Advances

این کتاب، مبانی و پیشرفت‌های یادگیری فدرال را به‌طور جامع معرفی می‌کند و بر بهبود کارایی محاسباتی و کاهش هزینه‌های ارتباطی تمرکز دارد.

معرفی یادگیری فدرال

یادگیری فدرال یک روش یادگیری ماشین توزیع شده است که امکان آموزش مدل‌ها را بر روی داده‌های غیرمتمرکز فراهم می‌کند. این پارادایم به سازمان‌ها و دستگاه‌ها اجازه می‌دهد تا به‌طور کامل از داده‌های خود بهره‌برداری کنند در حالی که الزامات حریم خصوصی و امنیتی را رعایت می‌کنند.

محتوای کتاب Federated Learning: Fundamentals and Advances

این کتاب با مقدمه‌ای بر شبکه‌های عصبی مصنوعی، مدل‌های یادگیری عمیق، الگوریتم‌های یادگیری تحت نظارت، الگوریتم‌های تکاملی و یادگیری تکاملی آغاز می‌شود. در ادامه، مطالبی درباره محاسبات ایمن چند جانبه، حریم خصوصی دیفرانسیل و رمزگذاری همومورف ارائه می‌شود و سپس به توضیحات جامع‌تری درباره یادگیری فدرال پرداخته می‌شود.

پیشرفت‌های اخیر در یادگیری فدرال

کتاب به آخرین تحقیقات و پیشرفت‌های یادگیری فدرال توجه دارد، به‌ویژه از نظر کارایی ارتباطات و حفظ حریم خصوصی. این مطالب برای محققان و علاقه‌مندان به یادگیری ماشین بسیار کارآمد است.

اطلاعات انتشار

این کتاب آخرین ویرایش از اثر «Federated Learning: Fundamentals and Advances» است که به‌صورت اختصاصی توسط انتشارات مؤلفین طلایی در کشور به چاپ رسیده است.