Eğitimin Amacı ve Kapsamı
Bankalar, hastaneler, grup şirketleri veya uç cihazlar arasında ortak bir sahtekarlık, risk ya da tahmin modeli kurmak istendiğinde KVKK, GDPR ve ticari sır kısıtları ham verinin tek bir havuzda toplanmasına izin vermez. Bu eğitim; cross-silo (kurumlar arası) ve cross-device federe öğrenme mimarilerini, Flower framework ile dağıtık eğitim kurgusunu, FedAvg, FedProx ve FedAdam algoritmalarını ve heterojen (non-IID) istemci verisiyle başa çıkma yöntemlerini ele alır.
Model güncellemelerinden veri sızmasını (gradient inversion, membership inference) önlemek için güvenli agregasyon (Secure Aggregation) ve Opacus ile diferansiyel gizlilik (DP-SGD) uygulamalı gösterilir. Katılımcılar çoklu veri silosu simülasyonunda gizlilik bütçesi ve doğruluk dengesini raporlayan bir prototip geliştirir.
Kimler Katılmalı?
- Veri bilimciler, ML ve platform mühendisleri
- Finans, sağlık, telekom ve grup şirketlerinde gizlilik odaklı AI geliştiren ekipler
- AI güvenlik ve veri yönetişimi mimarları
- Ön koşul: Python, PyTorch veya scikit-learn ile model eğitimi deneyimi
Kazanımlar
- Cross-silo ve cross-device senaryolar için yatay veya dikey federe öğrenme mimarisi seçmek
- Flower ile çoklu istemci üzerinde FedAvg ve FedProx eğitim döngüsü kurmak
- Non-IID veri dağılımında yerel kişiselleştirme ve fine-tuning stratejileri uygulamak
- Opacus (DP-SGD) ve Secure Aggregation ile gizlilik garantilerini modele eklemek
- Merkezi, yerel ve federe modelleri doğruluk, iletişim maliyeti ve gizlilik bütçesi (epsilon) ile karşılaştırmak
Konular
Federe Öğrenme Mimarileri ve Kullanım Senaryoları
- Cross-silo vs cross-device; yatay, dikey ve transfer federe öğrenme
- KVKK/GDPR, veri yerelliği ve kurumlar arası işbirliği modelleri
Flower ile Federe Eğitim ve Agregasyon
- İstemci-sunucu döngüsü, FedAvg, FedProx ve FedOpt
- PyTorch ve GBDT/tablo modellerinde federe eğitim kurgusu
Heterojen (Non-IID) Veri ve Kişiselleştirme
- İstemciler arası dağılım kayması ve client drift
- Yerel fine-tuning, kendi başlığı (local head) ve kümeleme
Gizlilik Saldırıları ve Diferansiyel Gizlilik
- Gradient inversion, membership inference ve zehirleme (poisoning) riskleri
- Opacus ile DP-SGD, gradient clipping, epsilon-delta bütçesi ve Secure Aggregation
Üretim, İletişim Maliyeti ve Yönetişim
- Güncelleme sıkıştırma, düşen istemciler (stragglers) ve asenkron turlar
- Katkı değerlemesi, denetim izi ve federe deney raporu
Bu Kategorideki Diğer Eğitimler
-
Makine Öğrenmesine Giriş - Regresyon Modelleri
Linear, Ridge, Lasso ve Polynomial regresyon modellerinin matematiksel temelleri, özellik mühendisliği, MSE/RMSE/MAE/R² başarı metrikleri ve overfitting/regularization teknikleri.
- Canlı Kurs
- 3 modül
-
River kütüphanesi ile akan veride artımlı (incremental) öğrenme, prequential değerlendirme, ADWIN/Page-Hinkley ile concept drift tespiti ve contextual bandit; gerçek zamanlı sistemlerde kesintisiz adaptasyon sağlanır.
- Canlı Kurs
- 5 modül
-
NetworkX ve PyTorch Geometric ile ilişkisel veride modelleme: merkeziyet ve topluluk algoritmaları, çizge özellikleri, Node2Vec, GCN/GraphSAGE/GAT ile düğüm, bağlantı ve alt-çizge tahmini; sahtekarlık halkaları ve tedarik ağları.
- Canlı Kurs
- 5 modül
-
TabPFN v2 ile tablo verisinde in-context learning; Chronos, TimesFM, Moirai ve Lag-Llama ile zero-shot/fine-tuned zaman serisi tahmini; GBDT ve klasik modellere karşı hız, doğruluk ve maliyet karşılaştırması.
- Canlı Kurs
- 5 modül
-
Supervised ve unsupervised öğrenme, train/test ayrımı, overfitting, temel metrikler ve scikit-learn ile ilk modeller; teknik ekiplerin bir iş problemini doğru ML problemine çevirip baseline kurmasını sağlar.
- Canlı Kurs
- 5 modül
-
Gradient boosting, ensemble ve stacking, Optuna ile hiperparametre optimizasyonu, dengesiz veri, kalibrasyon ve özel loss fonksiyonları; deneyimli veri bilimcilerin üretim kalitesinde model geliştirmesine odaklanır.
- Canlı Kurs
- 5 modül
Bizimle iletişime geçin
