Übersicht
Worum es bei diesem Projekt geht.
Implementiere FedAvg, FedProx und Secure Aggregation für ein Auto-Zulieferer-Konsortium und erhalte ein verifizierbares Zertifikat.
Das Briefing
Was Du tust und was Du zeigst.
Erreicht ein Federated-Learning-Setup mit Secure Aggregation für drei nicht-IID-Automotive-Clients eine produktionsreife Modell-Qualität gegen ein zentrales Baseline?
Earning criteria — what you'll demonstrate
- Federated Learning auf nicht-IID-Daten praktisch zum Konvergieren bringen
- Secure Aggregation als kryptografische Schutz-Schicht implementieren
- Trade-offs zwischen Privacy-Schutz und Modell-Qualität quantifizieren
- Eine kollaborative ML-Architektur für Wettbewerber-Partner designen
Studienpassung
Wo dies in Dein Studium passt.
Schärft dieselben Fähigkeiten, die Dein Studium von Dir erwartet.
Privacy-Preserving Machine Learning
Master · Ai Ml
Fit score: 1
Fähigkeiten
Fähigkeiten, die Du unter Beweis stellst.
Jede taucht auf Deinem verifizierten Zertifikat auf.
Karrieren
Berufe, auf die dies Dich vorbereitet.
Echte Berufsbezeichnungen. Echte Skill-Brücken. Wähle die, die Deinem Werdegang am nächsten kommt.
Karrierewege, die das aufbaut
Kanonische RollenKI-Sicherheits-Forscher:in
Federated Learning + Secure Aggregation ist ein hochspezialisiertes Profil, das in Privacy-Engineering-Teams und EU-AI-Forschungsprojekten direkt gesucht wird.
Dieses Projekt schärft
- federated-learning
- secure-aggregation
- fedprox
ML-Forscher:in
Non-IID-FL-Forschung mit publikationsfähigem Vergleich ist ein konferenz-nahes Profil (FL@FedCSIS, FedML-Workshops), das für Research-Tracks qualifiziert.
Dieses Projekt schärft
- federated-learning
- non-iid-data
- fedavg
MLOps-Ingenieur:in
Multi-Client-FL-Orchestrierung ist eine fortgeschrittene MLOps-Disziplin, die in Industrie-Konsortien immer wichtiger wird.
Dieses Projekt schärft
- federated-learning
- pytorch
- secure-aggregation
Noch eine Sache