Federe Öğrenme Eğitimi | Digital Vizyon Akademi

Eğitim Hakkında

Bu eğitim, verinin bulunduğu yerden çıkmadan birden fazla cihaz veya kurum arasında ortak makine öğrenmesi modelleri eğitmek isteyen teknik ekipler için tasarlanmış uygulamalı bir programdır. Katılımcılar Flower ile federe öğrenme sistemleri kurar, veri heterojenliğini yönetir ve diferansiyel gizlilik, güvenli toplama ve sağlam toplama yöntemleriyle sistemi saldırılara karşı korur.

Neden Bu Eğitim?

Veri Egemenliği. Hassas veriyi merkezileştirmeden hastaneler, bankalar veya şubeler arasında ortak modeller geliştirin.

Gizlilik Güvencesi. Federe öğrenmenin tek başına yetmediğini görün; diferansiyel gizlilik ve güvenli toplamayla sistemi güçlendirin.

Üretime Yakın Uygulama. Flower ile simülasyondan çok düğümlü dağıtıma uzanan, gerçek projelere taşınabilir bir altyapı kurun.

“Federe öğrenme, verinin gücünü paylaşmak için veriyi paylaşmak zorunda olmadığımızı gösteren en somut yaklaşımlardan biridir.”

Ön Koşullar

Python ve PyTorch — PyTorch ile veri yükleyici, model ve eğitim döngüsü yazabilecek düzeyde deneyim.
Makine Öğrenmesi — Gradyan inişi, aşırı öğrenme ve model değerlendirme kavramlarına hakim olmak.
Dağıtık Sistem Temeli — İstemci-sunucu mimarisi, ağ iletişimi ve Docker kullanımına temel düzeyde aşinalık.
Çalışma Ortamı — Python 3 ve Docker kurulu, en az 16 GB belleğe sahip bir bilgisayar veya bulut not defteri.

Eğitim İçeriği

Programın gün gün akışı aşağıdadır. Bir güne tıklayarak o günün modüllerini ve içeriklerini görebilirsiniz.

Günün hedefiFedere öğrenme türlerini ve algoritmalarını kavramak, Flower ile çok istemcili bir sistem kurmak ve heterojen veride ortaya çıkan performans sorunlarını çözmek.

Modül 1

Federe Öğrenmeye Giriş

Merkezi eğitimin gizlilik, mevzuat ve veri egemenliği sınırları
Federe öğrenme tanımı: veriyi değil modeli taşımak
Çapraz cihaz ve çapraz kurum (cross-silo) federe öğrenme
Yatay, dikey ve federe aktarım öğrenmesi türleri
Kullanım alanları: sağlık, finans, telekom ve mobil cihazlar
Vaka: Hastaneler arası federe tıbbi görüntüleme modeli

Modül 2

Federe Optimizasyon Algoritmaları

FedSGD ve FedAvg algoritmalarının işleyişi
İstemci seçimi, yerel epok ve iletişim turu parametreleri
Yakınsama davranışı ve iletişim-hesaplama dengesi
Sunucu tarafı optimize ediciler: FedAdam ve FedYogi
Laboratuvar: NumPy ile FedAvg algoritmasını sıfırdan kodlama
Merkezi ve federe eğitimin performans karşılaştırması

Modül 3

Flower Çerçevesi ile Uygulama

Flower mimarisi: ServerApp, ClientApp ve strateji
PyTorch modelinin Flower istemcisine dönüştürülmesi
Simülasyon motoru ile çok istemcili deneyler
Özel strateji yazma ve istemci metriklerini toplama
NVIDIA FLARE ve OpenFL gibi alternatif çerçeveler
Laboratuvar: Flower ile 10 istemcili görüntü sınıflandırma

Modül 4

Veri Heterojenliği (Non-IID) Sorunu

Non-IID türleri: etiket, özellik ve miktar dengesizliği
Dirichlet dağılımıyla heterojen veri bölümleme
İstemci kayması (client drift) ve performans kaybı
FedProx ve SCAFFOLD ile kayma düzeltme
Laboratuvar: Non-IID senaryoda FedAvg ve FedProx kıyası
Günün değerlendirmesi ve gizlilik gününe köprü

Günün hedefiModel güncellemelerinden doğan gizlilik risklerini göstermek, diferansiyel gizlilik ve güvenli toplamayı uygulamak ve zehirleme saldırılarına karşı sağlam toplama kurmak.

Modül 1

Federe Öğrenmede Gizlilik Riskleri

Model güncellemelerinden bilgi sızıntısı mekanizması
Gradyan tersine çevirme ile eğitim verisini yeniden oluşturma
Üyelik ve özellik çıkarımı saldırıları
Kötü niyetli ve dürüst ama meraklı sunucu tehdit modelleri
Federe öğrenmenin tek başına gizlilik garantisi olmaması
Demo: Gradyanlardan görüntü yeniden oluşturma saldırısı

Modül 2

Diferansiyel Gizlilik ile Koruma

Diferansiyel gizlilik tanımı: epsilon ve delta
Güncelleme kırpma ve kalibre gürültü ekleme mekanizmaları
İstemci düzeyi ve örnek düzeyi diferansiyel gizlilik
Gizlilik bütçesi muhasebesi ve Rényi DP yaklaşımı
Opacus ve Flower diferansiyel gizlilik sarmalayıcıları
Laboratuvar: DP-FedAvg ile gizlilik-doğruluk dengesi

Modül 3

Güvenli Toplama ve Kriptografik Yöntemler

Güvenli toplama (secure aggregation) protokolünün mantığı
Maskeleme, gizli paylaşım ve istemci düşmesi yönetimi
Homomorfik şifreleme ile şifreli model toplama
Güvenilir yürütme ortamları (TEE) ve gizli hesaplama
Kriptografik yöntemlerin hesaplama ve iletişim maliyeti
Laboratuvar: Flower SecAgg+ ile güvenli toplama

Modül 4

Zehirleme ve Bizans Saldırılarına Karşı

Veri zehirleme ve model zehirleme saldırıları
Federe arka kapı saldırıları ve model değiştirme
Sağlam toplama: Krum, medyan ve kırpılmış ortalama
Anomali tespiti ve istemci itibar mekanizmaları
Laboratuvar: Kötü niyetli istemciye karşı sağlam toplama
Günün özeti ve üretim ile mevzuat gününe hazırlık

Günün hedefiKişiselleştirme ve federe LLM ince ayarı gibi ileri teknikleri uygulamak, çapraz kurum dağıtımını planlamak, KVKK boyutunu değerlendirmek ve projeyi sunmak.

Modül 1

İleri Federe Öğrenme Teknikleri

Kişiselleştirilmiş federe öğrenme: FedPer ve yerel ince ayar
İletişim verimliliği: nicemleme ve seyrekleştirme
Dikey federe öğrenme ve özel küme kesişimi (PSI)
Federe LLM ince ayarı ve LoRA ile parametre verimliliği
Asenkron federe öğrenme ve düzensiz katılımcılar
Laboratuvar: Flower ile LoRA tabanlı federe ince ayar

Modül 2

Çapraz Kurum Dağıtımı ve Operasyon

Kurumlar arası mimari: ağ, TLS sertifikası ve kimlik doğrulama
Docker ve Kubernetes ile federe düğüm dağıtımı
Veri şeması uyumu, ön işleme ve kalite kontrolü
MLflow ile izleme, model sürümleme ve deney takibi
Katılımcı teşvikleri ve Shapley tabanlı katkı ölçümü
Demo: Çok düğümlü federe eğitimin ağ üzerinde çalışması

Modül 3

Mevzuat, Veri Egemenliği ve Yönetişim

KVKK ve GDPR açısından federe öğrenmenin konumu
Model güncellemelerinin kişisel veri sayılabilirliği
Yurt dışına veri aktarımı ve veri yerelleştirme
Konsorsiyum sözleşmesi, sorumluluk ve veri işleme rolleri
EU AI Act ve sektörel düzenlemelerle ilişkisi
Atölye: Federe proje için veri koruma etki değerlendirmesi

Modül 4

Çapraz Kurum Projesi ve Kapanış

Grup projesi: gizlilik korumalı çapraz kurum senaryosu
Heterojenlik, DP ve sağlam toplama ile sonuç analizi
Proje sunumları ve teknik geri bildirim oturumu
Kurumsal federe öğrenme yol haritası taslağı
Eğitim değerlendirmesi, Soru-Cevap ve sertifika takdimi
İleri öğrenme kaynakları ve kapanış oturumu

Eğitim Kazanımları

Doğru Yaklaşım — Projenize uygun federe öğrenme türünü, çapraz cihaz veya çapraz kurum mimarisini gerekçesiyle seçebileceksiniz.
Flower Uygulaması — Flower ve PyTorch ile özel stratejiler içeren çok istemcili federe öğrenme sistemleri kurabileceksiniz.
Heterojen Veri — Non-IID veri kaynaklı istemci kaymasını FedProx ve SCAFFOLD gibi yöntemlerle azaltabileceksiniz.
Risk Farkındalığı — Gradyan tersine çevirme ve üyelik çıkarımı saldırılarıyla federe sistemlerdeki sızıntıyı gösterebileceksiniz.
Diferansiyel Gizlilik — İstemci düzeyinde diferansiyel gizlilik uygulayıp gizlilik bütçesi ile doğruluk dengesini yönetebileceksiniz.
Güvenli Toplama — SecAgg+ ve homomorfik şifreleme ile sunucunun bireysel güncellemeleri görmesini engelleyebileceksiniz.
Sağlam Toplama — Krum ve kırpılmış ortalama gibi yöntemlerle zehirleme ve arka kapı saldırılarına dayanıklı sistem kurabileceksiniz.
Konsorsiyum Planı — KVKK, sözleşme ve dağıtım boyutlarını kapsayan uygulanabilir bir çapraz kurum federe proje planı hazırlayacaksınız.

Kimler İçin Uygundur?

Makine öğrenmesi mühendisleri
veri bilimciler
gizlilik ve güvenlik mühendisleri ile sağlık
finans ve telekom sektörlerinde veri paylaşımı kısıtlı projeler yürüten ekipler.

Sıkça Sorulan Sorular

Federe Öğrenme Eğitimi kimler için uygundur?

Program; makine öğrenmesi mühendisleri, veri bilimciler, gizlilik ve güvenlik mühendisleri ile sağlık, finans, telekom ve kamu gibi veri paylaşımının kısıtlı olduğu sektörlerde ortak model geliştirmek isteyen teknik ekipler için tasarlanmıştır.

Eğitim ne kadar sürer ve nasıl yapılandırılmıştır?

Eğitim 3 tam gün ve 12 modülden oluşur. İlk gün temel algoritmalar, Flower ve non-IID veri; ikinci gün gizlilik saldırıları, diferansiyel gizlilik, güvenli toplama ve sağlam toplama; üçüncü gün ileri teknikler, dağıtım, mevzuat ve proje işlenir.

Katılım için hangi ön bilgiler gerekiyor?

PyTorch ile model eğitimi deneyimi, temel makine öğrenmesi kavramları ve istemci-sunucu mimarisi ile Docker kullanımına temel düzeyde aşinalık beklenir. Kriptografi bilgisi gerekmez; gerekli kavramlar eğitimde anlatılır.

Federe öğrenme verinin gizliliğini tek başına garanti eder mi?

Hayır. Ham veri kurumdan çıkmasa da model güncellemeleri eğitim verisi hakkında bilgi sızdırabilir. Bu nedenle eğitimde federe öğrenme; diferansiyel gizlilik, güvenli toplama ve sağlam toplama yöntemleriyle birlikte ele alınır.

Eğitimde hangi araçlar kullanılıyor, sertifika veriliyor mu?

Laboratuvarlarda Flower, PyTorch, Opacus, Docker ve MLflow kullanılır; NVIDIA FLARE ve OpenFL karşılaştırmalı olarak tanıtılır. Programı tamamlayan katılımcılar Digital Vizyon Akademi sertifikası alır.

Sertifikalandırma

Bu eğitim Katılım Sertifikası ile tamamlanır.

Eğitim başında “Ön Test”, bitiminde “Son Test” uygulanarak gelişim ölçümlenir. Değerlendirme formunu dolduran katılımcılar sertifikalarını alır. Sertifikanızın geçerliliğini Sertifika Sorgulama sayfasından doğrulayabilirsiniz.

Örnek Sertifika

FEDERE ÖĞRENME EĞİTİMİ

Eğitim Hakkında

Neden Bu Eğitim?

Ön Koşullar

Eğitim İçeriği

Federe Öğrenmeye Giriş

Federe Optimizasyon Algoritmaları

Flower Çerçevesi ile Uygulama

Veri Heterojenliği (Non-IID) Sorunu

Federe Öğrenmede Gizlilik Riskleri

Diferansiyel Gizlilik ile Koruma

Güvenli Toplama ve Kriptografik Yöntemler

Zehirleme ve Bizans Saldırılarına Karşı

İleri Federe Öğrenme Teknikleri

Çapraz Kurum Dağıtımı ve Operasyon

Mevzuat, Veri Egemenliği ve Yönetişim

Çapraz Kurum Projesi ve Kapanış

Eğitim Kazanımları

Kimler İçin Uygundur?

Sıkça Sorulan Sorular

Sertifikalandırma

Eğitim Bilgileri

Benzer Programlar

Yapay Zeka Güvenliğine Giriş Eğitimi

Yapay Zeka Kurumsal Strateji Yönetimi Eğitimi

Yapay Zeka Küresel Yönetişim Çerçeveleri Eğitimi