DFP_Bann_Transformation_Numérique

Federate Learning - Apprentissage fédéré

Présentation

Formation continue non diplômante

Formation courte
  • Ville
    • GRENOBLE Presqu'île
  • Durée 2 jours
  • Accessible en
    • Formation continue

Résumé

Notre formation est référencée par l'institut MIAI    


Prochaine session : 12 et 13 juin 2025

L’apprentissage fédéré révolutionne le déploiement des modèles d’intelligence artificielle en bordure du réseau (edge). Cette technologie de pointe ouvre la voie à des services intelligents et performants, parfaitement adaptés aux défis modernes comme la gestion des bâtiments intelligents ou l’IA embarquée. Conçus pour être légers et économes en énergie, ces petits modèles associent efficacité et respect de l’environnement, offrant des solutions idéales pour une optimisation durable et une intelligence de proximité.

Objectifs

  • Comprendre et maitriser l’apprentissage fédéré - de la théorie à la pratique - et les défis actuels.

Les plus de la formation 
  • La formation se déroule avec une alternance entre apports théoriques et travaux pratiques.
  • Le nombre réduit des participants permet une réelle aide personnalisée dans l’apprentissage
Nos atouts pédagogiques
La formation est créée par une équipe d’enseignants-chercheurs de l’Université de Grenoble Alpes et est labellisée par le MIAI Cluster IA.


 

Admission

  • Tarif 1 400 € / personne
  • Accessible en :
    • Formation continue

Conditions d'admission


Pour qui ?
Cette formation s’adresse à des ingénieurs informaticiens et/ou des enseignants-chercheurs désirant approfondir l’apprentissage distribué.

Pré-requis : Formation scientifique avec maitrise de base des techniques classique de l’IA et codage en Python

Effectif : 6 à 12 personnes
 

Programme

  • Durée des études 2 jours

Programme

1- Bases en Apprentissage fédérée
  • Rappels de base, apprentissage supervisé, descente de gradient
  • Motivation du distribué et principe
  • Présentation de l’algorithme fedAvg avec analyse des grandes lignes des preuves
Travaux Pratiques : Première partie : Codage d’une descente de gradient, accélération pour les fonctions smooth
Seconde partie : même situation en distribué.
 
2- Techniques avancées et défis actuels en Apprentissage fédéré
  • Efficacité, robustesse et performance de l’apprentissage fédéré
  • Aspects de confidentialité et de protection des données
  • Variantes: distribué décentralisé, communication asynchrone
Travaux Pratiques : Codage d’une solution distribuée avec tests sur jeu de données réel,
avec en particulier incorporation des aspects de confidentialité et sécurité.