2016年是人工智能(ArtificiaIntelligence,AI)成熟的一年。随着AlphaGo击败人类顶级围棋手,我们真正见证了人工智能的巨大潜力,并开始期待更复杂、更尖端的人工智能技术可以应用在更多的领域,包括无人驾驶、生物医疗、金融等。
如今,人工智能技术在各行各业都显示出了优势。人们自然希望像AlphaGo这样的由大数据驱动的人工智能技术能够很快在生活中应用起来。然而,现实有些令人失望:除了少数行业,大多数领域只拥有有限的数据或质量较差的数据,这使AI技术的落地比我们想象的更困难。是否通过跨组织传输数据,将数据融合在一个公共站点中呢?
事实上,在许多情况下,打破数据源(数据拥有者)之间的障碍是非常困难的,甚至是不可能的。一般来说,任何AI项目所需的数据都包含多种类型。例如,在人工智能技术驱动的产品推荐服务中,产品销售者拥有产品信息、用户购买数据,但没有描述用户购买能力和支付习惯的数据。在大多数行业中,数据以孤岛的形式存在。
近年来,随着隐私保护及数据安全法律法规的逐渐完善,数据孤岛问题变的日益严峻。为解决联合建模的需求和数据隐私保护之间的矛盾,联邦学习(Federated Learning)作为其中一种技术上的解决方案备受学术界和工业界人士的关注。本文将全面的介绍联邦学习相关知识以及在金融行业的项目实战。
课程亮点
你将收获
▶全面掌握联邦学习领域的知识,灵活应用在自己工作中
▶能够了解联邦学习框架的实现方式,并熟练掌握其关键技术与方法
▶深入理解前沿的联邦学习技术,拓宽工作和研究的技术视野
▶短期内对一个领域有全面且系统的认识,大大节省学习时间
▶认识一群拥有同样兴趣的人、相互交流、相互学习
助你成为行业TOP10%的工程师
对课程有意向的同学
扫描二维码咨询
内容大纲
Week1
主题:初识联邦学习与隐私计算
讲解联邦学习定义、联邦学习分类、联邦学习的研究进展、联邦学习开源平台、联邦学习中使用的隐私保护技术、隐私计算基础知识等内容。
课程提纲:
Week2
主题:分布式机器学习
讲解分布式机器学习的定义、分布式机器学习算法、分布式机器学习到联邦学习的演进等内容。
课程提纲:
Week3
主题:横向联邦学习
讲解横向联邦学习的定义、横向联邦学习架构、横向联邦学习算法、横向联邦学习的优化等内容。
课程提纲:
Week4
主题:使用隐私计算构建金融领域风控模型
讲解使用隐私计算构建金融领域风控模型的流程、分析等内容。
课程提纲:
Week5
主题:纵向联邦学习
讲解纵向联邦学习的定义、纵向联邦学习架构、纵向联邦学习算法、纵向联邦学习的优化等内容。
课程提纲:
Week6
主题:联邦迁移学习
讲解联邦迁移学习的定义、联邦迁移学习架构、联邦迁移学习算法、联邦迁移学习的优化等内容。
课程提纲:
Week7
主题:隐私计算、联邦学习在不同领域的应用及前沿研究
讲解隐私计算和联邦学习在不同领域的应用案例、研究内容、面临问题等内容。例如计算机视觉领域的联邦学习目标检测网络;政务领域的差分隐私数据共享;智能物联网中的联邦学习用户行为预测;医疗领域的联邦学习健康分析、同态加密基因分析;金融领域的联邦学习反欺诈、隐私求教联合风控等。
课程提纲:
Week8
主题:使用联邦学习构建金融领域风险监测模型
讲解使用联邦学习构建金融领域风险监测模型的流程、结果分析等内容。
课程提纲:
项目介绍
项目一:金融隐私计算实战
项目内容描述:讲解联邦学习和隐私计算相关的概念、联邦学习和隐私计算的发展、联邦学习的基础技术(隐私保护技术和分布式学习技术)、横向联邦学习定义、横向联邦学习架构及算法详解,最终使用隐私计算构建金融领域风控模型。
项目使用的算法:
横向联邦学习
项目使用的工具:
FATE/examples/data,开源数据集
项目预期结果:
熟悉联邦学习和隐私计算相关知识和基本概念,熟悉横向联邦学习定义及架构,学会横向联邦学习算法并基于隐私计算实现金融领域风险监测。
项目对应第几周的课程:1~4周
项目二:基于联邦学习的金融领域风险监测实战
项目内容描述:讲解纵向联邦学习定义、纵向联邦学习架构及算法详解,讲解联邦迁移学习定义、联邦迁移学习架构及算法详解,讲解联邦学习在业界的应用现状和典型案例,最终使用开源框架FATE实现一个金融领域风险监测模型的构建。
项目使用的算法:
联邦学习
项目使用的工具:
Python、开源框架FATE
项目预期结果:
熟悉纵向联邦学习、联邦迁移学习定义及架构,学会纵向联邦学习、联邦迁移学习算法,并基于开源框架FATE实现一个金融领域风险监测模型。
项目对应第几周的课程:5-8周
助你成为行业TOP10%的工程师
对课程有意向的同学
扫描二维码咨询
适合人群
大学生
在职人士
导师团队
完颜老师
联邦学习主讲老师
北京航空航天大学信号与信息处理博士
某金融央企研究院副高级工程师
在SCI Q1、EI、核心等不同级别的国内外著名期刊发表论文十余篇,受理及授权发明专利5项,软件著作权3项
参与国家863计划、公安部应用创新计划等科研课题,主持绿色发展大数据决策北京市重点实验室、北航金华北斗应用研究院、清华联合研究院等多项科研课题
Jerry Yuan
课程研发顾问
美国微软(总部)推荐系统部负责人
美国亚马逊(总部)资深工程师
美国新泽西理工大学博士
14年人工智能, 数字图像处理和推荐系统领域研究和项目经验
先后在AI相关国际会议上发表20篇以上论文
李文哲
贪心科技CEO
美国南加州大学博士
曾任独角兽金科集团首席数据科学家、美国亚马逊和高盛的高级工程师
金融行业开创知识图谱做大数据反欺诈的第一人
先后在AAAI、KDD、AISTATS、CHI等国际会议上发表过15篇以上论文
授课方式
基础知识讲解
前沿论文解读
该知识内容的实际应用
该知识的项目实战
该方向的知识延申及未来趋势讲解
助你成为行业TOP10%的工程师
对课程有意向的同学
扫描二维码咨询