Federated Learning ile Gizlilik Odaklı Makine Öğrenmesi Eğitimi, hassas verilerin merkezi bir ortamda toplanmasının mümkün veya uygun olmadığı senaryolarda, dağıtık makine öğrenmesi modellerinin nasıl geliştirilebileceğini ele alan ileri düzey bir mühendislik ve araştırma programıdır.

Federated Learning (FL), farklı cihaz veya kuruluşlarda bulunan verileri merkezi bir sunucuya aktarmadan ortak bir makine öğrenmesi modeli eğitmeye olanak tanır. Bu yaklaşımda model, verinin bulunduğu ortamlarda eğitilir ve merkezi sisteme ham veri yerine model güncellemeleri iletilir.

Eğitim kapsamında, FedAvg algoritmasının çalışma döngüsünden başlayarak Cross-Silo ve Cross-Device mimarileri, merkezi ve merkeziyetsiz öğrenme yaklaşımları, Non-IID Data (İstatistiksel Heterojenlik) ve sistem kaynaklı farklılıklar incelenir.

Program ayrıca FedProx gibi heterojen veri dağılımlarına yönelik yöntemleri ve Differential Privacy (DP), Homomorphic Encryption (HE) ve Secure Multi-Party Computation (SMPC) gibi gizlilik artırıcı teknolojileri (Privacy-Enhancing Technologies – PETs) ele alır.

Flower ve TensorFlow Federated (TFF) kütüphaneleriyle gerçekleştirilen uygulamalı çalışmalar sayesinde katılımcılar, veri gizliliğini gözeten dağıtık model eğitimi yaklaşımlarını deneyimleme fırsatı bulur.

Federe Öğrenme ile Gizliliği Koruyan Makine Öğrenmesi Eğitimi programına Online Instructor-Led (canlı sanal sınıf) veya Classroom Based (sınıf eğitimi) formatlarında doğrudan katılım sağlayabilirsiniz. Ayrıca bu eğitimi kurumunuza özel olarak Online Instructor-Led, Classroom Based veya Onsite (yerinde eğitim) formatlarında, tercih ettiğiniz tarih ve lokasyonda organize edebiliriz. Detaylı bilgi ve kurumunuza özel planlama için bizimle iletişime geçebilirsiniz.

Kurumsal gruplar için bu eğitimi, kurumunuza özel Onsite (yerinde eğitim) formatında organize edebiliriz.

Önkoşullar

Bu eğitime katılım için herhangi bir zorunlu ön koşul bulunmamaktadır.

Kimler Katılmalı

Veri Mahremiyeti Mühendisleri ve Güvenlik Mimarları
Altyapı ve MLOps Mühendisleri
Gömülü Sistemler ve Mobil Geliştirme Uzmanları
Kıdemli Yapay Zekâ ve Makine Öğrenmesi Mühendisleri
Makine Öğrenmesi Araştırmacıları
Sağlık, finans ve telekomünikasyon gibi hassas verilerle çalışan sektörlerdeki teknik uzmanlar
CTO'lar, Teknoloji Liderleri ve Ar-Ge Direktörleri

Neler Öğreneceksiniz

Eğitimi tamamladığınızda:

Federated Learning mimarisini ve merkezi makine öğrenmesinden farklarını açıklayabileceksiniz.
Verilerin farklı sistemlerde kaldığı ortamlarda ortak makine öğrenmesi modelleri geliştirebileceksiniz.
FedAvg algoritmasının çalışma döngüsünü ve FedProx yaklaşımının kullanım amacını anlayabileceksiniz.
Cross-Silo ve Cross-Device Federated Learning mimarilerini karşılaştırabileceksiniz.
Non-IID veri dağılımları ve sistem heterojenliği nedeniyle oluşan sorunları değerlendirebileceksiniz.
Differential Privacy, Homomorphic Encryption ve SMPC gibi gizlilik artırıcı yöntemleri tanıyabileceksiniz.
GDPR, HIPAA ve KVKK gibi düzenlemelerin veri gizliliğine yönelik gerekliliklerini mimari kararlarla ilişkilendirebileceksiniz.
Flower ve TensorFlow Federated ile dağıtık model eğitimi çalışmalarını gerçekleştirebileceksiniz.
Ham veriyi merkezi bir ortama taşımadan model güncellemelerinin paylaşılmasına dayalı sistemler tasarlayabileceksiniz.
Hassas verilerin bulunduğu sektörlerde gizlilik odaklı yapay zekâ çözümleri geliştirmeye yönelik yaklaşımları değerlendirebileceksiniz.

Eğitim İçeriği

1. Gizlilik Odaklı Yapay Zekânın Temelleri ve İhtiyaç Analizi

Geleneksel Merkezi Makine Öğrenmesinin Sınırlamaları

Merkezi makine öğrenmesi yaklaşımının değerlendirilmesi
Veri mahremiyeti riskleri
- Veri sızıntıları
- Verilerin ikincil amaçlarla kullanılması
- Kimlik bilgilerinin açığa çıkması
GDPR, HIPAA ve KVKK gibi düzenlemelerin veri merkezileştirme süreçleri üzerindeki etkileri
Veri siloları nedeniyle ortaya çıkan iş birliği ve rekabet sorunları

Gizlilik Artırıcı Teknolojiler (PETs)

Veri anonimleştirme yöntemleri ve sınırlamaları
Yeniden kimliklendirme saldırıları (Re-identification Attacks)
Differential Privacy (DP)
Homomorphic Encryption (HE)
Secure Multi-Party Computation (SMPC)
Zero-Knowledge Proofs (ZKP)
Federated Learning'in, diğer gizlilik artırıcı teknolojilerle ilişkisi

2. Federated Learning Mimarisi ve Temel Algoritmalar

Federated Learning'in Çalışma Prensibi

Federated Learning yaklaşımının temel bileşenleri
Merkezi sunucu ile dağıtık istemciler (Clients) arasındaki işleyiş
Modelin istemcilere dağıtılması
Yerel veriler üzerinde model eğitimi
Model ağırlıklarının ve gradyan güncellemelerinin paylaşılması
Güncellemelerin birleştirilmesiyle global modelin geliştirilmesi

FedAvg Algoritması

Federated Averaging (FedAvg) yaklaşımı
Yerel eğitim ve merkezi model birleştirme döngüsü
Ham veriyi paylaşmadan ortak model eğitimi

Federated Learning Mimarileri

Cross-Silo Federated Learning: Kurumlar arasında ortak model eğitimi
Cross-Device Federated Learning: Çok sayıda uç cihaz üzerinde model eğitimi
Merkezi Federated Learning
Merkeziyetsiz (Peer-to-Peer / P2P) Federated Learning
Hiyerarşik Federated Learning

3. Federated Learning'in Temel Zorlukları: Heterojenlik

Non-IID Data kavramı
İstemciler arasındaki istatistiksel heterojenlik
Farklı veri dağılımlarının model eğitimine etkisi
Sistem heterojenliği
- İşlem gücü farklılıkları
- Ağ bağlantısı farklılıkları
- Cihaz ve altyapı kaynaklı sınırlamalar
İletişim darboğazları ve ağ maliyetleri
FedProx yaklaşımının heterojen veri koşullarındaki rolü

4. Güvenliğin Artırılması: Diferansiyel Gizlilik ve Kriptografik Yöntemler

Differential Privacy

Differential Privacy (DP) kavramı
Model güncellemelerine matematiksel gürültü eklenmesi
Bireysel veri katkılarının açığa çıkma riskinin azaltılması

Kriptografik Gizlilik Yöntemleri

Homomorphic Encryption (HE) ile şifreli veriler üzerinde işlem yapma yaklaşımı
Model güncellemelerinin şifreli biçimde birleştirilmesi
Secure Multi-Party Computation (SMPC) yaklaşımı
Federated Learning ile gizlilik artırıcı teknolojilerin birlikte değerlendirilmesi

5. Uygulamalı Atölye: Flower ve TensorFlow Federated (TFF)

Flower kütüphanesine giriş
Python tabanlı ve farklı makine öğrenmesi framework'leriyle çalışabilen Federated Learning yaklaşımları
TensorFlow Federated (TFF) kütüphanesinin incelenmesi
Dağıtık model eğitiminin uygulamalı olarak değerlendirilmesi
Yerel model eğitimi ve global model güncellemeleri üzerinde çalışmalar

Neden Bizi Seçmelisiniz

1995’ten beri Birleşik Krallık merkezli lider bir global eğitim sağlayıcısıyız.

Federe Öğrenme ile Gizliliği Koruyan Makine Öğrenmesi Turkmenistan eğitimine Bilginç IT Academy'nin canlı ve etkileşimli sanal sınıf ortamında katılabilirsiniz. Online Instructor-Led eğitimlerimize bireysel olarak genel katılıma açık (Public) sınıflardan katılabileceğiniz gibi, kurumunuza özel (Private / In-house) bir sınıf da planlayabilirsiniz.

Eğitim Formatı (Delivery Method): Online Instructor-Led
Katılım Modeli (Participation Model): Genel Katılıma Açık (Public) / Kuruma Özel (Private / In-house)
Canlı ve Etkileşimli Eğitim: Eğitmeninizle gerçek zamanlı iletişim kurun; soru-cevap, uygulama ve grup çalışmalarıyla öğrenme sürecine aktif olarak katılın.
Esnek Katılım: Evinizden, ofisinizden veya internet erişiminizin bulunduğu herhangi bir lokasyondan eğitime katılın.
Uzman Eğitmen Kadrosu: Sektör deneyimine sahip, alanında yetkin eğitmenlerden güncel ve uygulanabilir bilgiler edinin.
30 Yılı Aşkın Deneyim: Bilginç IT Academy'nin 1995 yılından bu yana süregelen eğitim uzmanlığından yararlanın.
Dünya Genelinde Erişim: Turkmenistan dahil dünyanın farklı lokasyonlarından canlı sanal sınıflarımıza katılabilir veya kurumunuza özel online eğitim planlayabilirsiniz.

Privacy-Preserving Machine Learning with Federated Learning Turkmenistan eğitimine yüz yüze sınıf ortamında katılabilirsiniz. Classroom Based eğitimlerimiz genel katılıma açık (Public)sınıflar veya kurumunuza özel (Private / In-house)sınıflar şeklinde planlanabilir.

Eğitim Formatı (Delivery Method): Classroom Based
Katılım Modeli (Participation Model): Genel Katılıma Açık (Public) / Kuruma Özel (Private / In-house)
Yüz Yüze Öğrenme: Eğitmeniniz ve diğer katılımcılarla doğrudan iletişim kurarak etkileşimli bir sınıf deneyimi yaşayın.
Deneyimli Eğitmenler: Sektörde uzun yıllara dayanan deneyime sahip uzmanlardan gerçek dünya örnekleriyle öğrenin.
Profesyonel Eğitim Ortamı: Teknolojik altyapısı güçlü, konforlu ve öğrenmeye uygun sınıflarda eğitim alın.
Uygulamalı Öğrenme: Eğitim içeriğine bağlı olarak uygulamalar, senaryolar, vaka çalışmaları ve eğitmen yönlendirmeli çalışmalarla teorik bilgilerinizi pratiğe dönüştürün.

Privacy-Preserving Machine Learning with Federated Learning Turkmenistan eğitimini kurumunuza özel olarak kendi ofisinizde veya tercih ettiğiniz lokasyonda gerçekleştirebilirsiniz. Bilginç IT Academy eğitmenleri, kurumunuzun ihtiyaçlarına göre planlanan eğitim için belirlediğiniz lokasyona gelebilir.

Eğitim Formatı (Delivery Method): Onsite
Katılım Modeli (Participation Model): Kuruma Özel (Private / In-house)
Tercih Ettiğiniz Lokasyonda Eğitim: Eğitimi şirketinizin ofisinde veya belirlediğiniz farklı bir lokasyonda organize edin.
Kuruma Özel İçerik: Eğitim programını şirketinizin projelerine, ekip yapısına, mevcut yetkinlik seviyesine ve iş ihtiyaçlarına göre uyarlayın.
Ekip Odaklı Öğrenme: Ekibinizin aynı içerik ve yaklaşım etrafında gelişmesini sağlayarak kurum içi bilgi paylaşımını ve iş birliğini güçlendirin.
Esnek Planlama: Eğitim tarihini, lokasyonunu ve programını kurumunuzun operasyonel ihtiyaçlarına göre planlayın.
Global Eğitim Organizasyonu: Eğitimi Turkmenistan lokasyonunda veya tercih ettiğiniz farklı bir ülkede/lokasyonda kurumunuza özel olarak organize edebilirsiniz.

Privacy-Preserving Machine Learning with Federated Learning Turkmenistan Eğitimi