کتاب صوتی یادگیری فدرال (Federated Learning) برای حفظ حریم خصوصی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره یادگیری فدرال (Federated Learning) برای حفظ حریم خصوصی

موضوع کلی: برنامه نویسی

موضوع میانی: علم داده (Data Science)

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر یادگیری فدرال و حفظ حریم خصوصی
• 2. مفاهیم کلیدی حریم خصوصی در یادگیری ماشین
• 3. انواع حملات به حریم خصوصی در داده‌ها
• 4. تکنیک‌های متداول حفظ حریم خصوصی
• 5. مقدمه‌ای بر یادگیری فدرال (Federated Learning)
• 6. معماری پایه یادگیری فدرال
• 7. چالش‌های اصلی در یادگیری فدرال
• 8. انواع یادگیری فدرال (مرکزی، غیرمرکزی)
• 9. الگوریتم‌های استاندارد یادگیری فدرال (FedAvg)
• 10. تنظیمات و پارامترهای کلیدی FedAvg
• 11. عیب‌یابی و بهینه‌سازی الگوریتم FedAvg
• 12. یادگیری فدرال برای طبقه‌بندی تصاویر
• 13. یادگیری فدرال برای تشخیص اشیاء
• 14. یادگیری فدرال برای پردازش زبان طبیعی
• 15. یادگیری فدرال در حوزه سلامت (حفظ حریم خصوصی بیماران)
• 16. کاربرد یادگیری فدرال در صنعت بانکداری
• 17. یادگیری فدرال برای دستگاه‌های اینترنت اشیاء (IoT)
• 18. یادگیری فدرال برای سیستم‌های توصیه‌گر
• 19. تکنیک‌های حفظ حریم خصوصی در یادگیری فدرال: حریم خصوصی تفاضلی (Differential Privacy)
• 20. پیاده‌سازی حریم خصوصی تفاضلی در یادگیری فدرال
• 21. تنظیم نویز در حریم خصوصی تفاضلی
• 22. مفاهیم پیشرفته حریم خصوصی تفاضلی
• 23. تکنیک‌های حفظ حریم خصوصی در یادگیری فدرال: رمزنگاری همومورفیک (Homomorphic Encryption)
• 24. مقدمه‌ای بر رمزنگاری همومورفیک
• 25. کاربرد رمزنگاری همومورفیک در یادگیری فدرال
• 26. چالش‌های محاسباتی رمزنگاری همومورفیک
• 27. تکنیک‌های حفظ حریم خصوصی در یادگیری فدرال: Secure Multi-Party Computation (SMPC)
• 28. مقدمه‌ای بر SMPC
• 29. کاربرد SMPC در یادگیری فدرال
• 30. محدودیت‌های SMPC
• 31. ترکیب تکنیک‌های حفظ حریم خصوصی در یادگیری فدرال
• 32. مدل‌های یادگیری فدرال با حریم خصوصی پیشرفته
• 33. ارزیابی امنیت و حریم خصوصی در مدل‌های فدرال
• 34. مدل‌های مقیاس‌پذیر یادگیری فدرال
• 35. یادگیری فدرال ناهمگن (Heterogeneous Federated Learning)
• 36. مدیریت داده‌های ناهمگن در یادگیری فدرال
• 37. یادگیری فدرال برای داده‌های غیرهم‌توزیع (Non-IID Data)
• 38. روش‌های مقابله با داده‌های Non-IID
• 39. تکنیک‌های ارتقاء مدل در یادگیری فدرال
• 40. یادگیری فدرال با ارتباطات محدود
• 41. بهینه‌سازی ارتباطات در یادگیری فدرال
• 42. فشرده‌سازی مدل و پارامترها
• 43. یادگیری فدرال با مصرف توان پایین
• 44. یادگیری فدرال برای دستگاه‌های موبایل
• 45. یادگیری فدرال با پویایی کلاینت‌ها
• 46. مدیریت کلاینت‌های نامعتبر در یادگیری فدرال
• 47. تشخیص و مقابله با حملات در یادگیری فدرال
• 48. حملات مسموم‌سازی داده (Data Poisoning Attacks)
• 49. حملات مسموم‌سازی مدل (Model Poisoning Attacks)
• 50. روش‌های دفاع در برابر حملات مسموم‌سازی
• 51. حملات استنتاج عضویت (Membership Inference Attacks)
• 52. روش‌های دفاع در برابر حملات استنتاج عضویت
• 53. حملات استنتاج ویژگی (Attribute Inference Attacks)
• 54. روش‌های دفاع در برابر حملات استنتاج ویژگی
• 55. حریم خصوصی در یادگیری فدرال بر روی داده‌های حساس
• 56. کاربرد یادگیری فدرال در تحلیل داده‌های پزشکی
• 57. حفظ حریم خصوصی در داده‌های ژنتیکی با یادگیری فدرال
• 58. یادگیری فدرال و مسائل اخلاقی در هوش مصنوعی
• 59. چارچوب‌های قانونی و مقرراتی برای یادگیری فدرال
• 60. مقررات حفظ داده‌ها در ایران و یادگیری فدرال
• 61. استانداردهای فنی برای پیاده‌سازی یادگیری فدرال
• 62. مقایسه یادگیری فدرال با روش‌های متمرکز
• 63. مزایا و معایب یادگیری فدرال در سناریوهای مختلف
• 64. یادگیری فدرال با یادگیری تقویتی (Reinforcement Learning)
• 65. یادگیری فدرال برای پردازش تصویر پیشرفته
• 66. یادگیری فدرال برای مدل‌های زبان بزرگ (LLMs)
• 67. تکنیک‌های تنظیم دقیق (Fine-tuning) مدل‌های فدرال
• 68. یادگیری فدرال و مفاهیم یادگیری انتقالی (Transfer Learning)
• 69. چالش‌های پیاده‌سازی عملی یادگیری فدرال
• 70. ابزارها و فریم‌ورک‌های یادگیری فدرال (TensorFlow Federated)
• 71. ابزارها و فریم‌ورک‌های یادگیری فدرال (PySyft)
• 72. ابزارها و فریم‌ورک‌های یادگیری فدرال (Flower)
• 73. یادگیری فدرال در محیط‌های شبیه‌سازی شده
• 74. ارزیابی عملکرد مدل‌های فدرال در مقیاس بزرگ
• 75. مدیریت چرخه عمر مدل‌های یادگیری فدرال
• 76. یادگیری فدرال برای سناریوهای واقعیت افزوده
• 77. یادگیری فدرال در شبکه‌های اجتماعی
• 78. یادگیری فدرال برای سیستم‌های تشخیص تقلب
• 79. یادگیری فدرال و امنیت بلاکچین
• 80. یادگیری فدرال برای شبکه‌های هوشمند
• 81. یادگیری فدرال و محاسبات لبه (Edge Computing)
• 82. بهینه‌سازی منابع در محاسبات لبه با یادگیری فدرال
• 83. یادگیری فدرال برای خودروهای خودران
• 84. یادگیری فدرال و شهر هوشمند
• 85. یادگیری فدرال برای تحلیل احساسات
• 86. یادگیری فدرال و پردازش صدا
• 87. یادگیری فدرال برای تشخیص گفتار
• 88. یادگیری فدرال در حوزه آموزش و پرورش
• 89. یادگیری فدرال برای شخصی‌سازی آموزش
• 90. آینده یادگیری فدرال و حریم خصوصی
• 91. روندهای تحقیقاتی جدید در یادگیری فدرال
• 92. چالش‌های مقیاس‌پذیری در یادگیری فدرال
• 93. یادگیری فدرال مقاوم در برابر حملات adversarial
• 94. یادگیری فدرال و مفهوم اعتماد (Trust)
• 95. اهمیت یادگیری فدرال در دنیای داده‌محور امروز
• 96. ملاحظات حقوقی و اخلاقی در توسعه یادگیری فدرال
• 97. مبانی فقهی و شرعی حفظ حریم خصوصی داده‌ها
• 98. مبانی حقوقی حفاظت از داده‌ها در جمهوری اسلامی ایران