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
- 全面的技术知识讲解 课程内容涵盖横向联邦学习、纵向联邦学习、联邦迁移学习三大模型架构，包含联邦学习在视觉、医疗、金融、隐私计算、政务服务等应用案例的讲解。
- 项目实践，学以致用 学员使用联邦学习框架与算法，实践金融领域隐私计算与风险检测的任务。
- 专业团队严格打磨的课程内容，前沿且深入 行业内多年一线从业经验科学家或科研学者、工程师讲授，并配有背景优秀经验丰富的助教，致力于带来最优质的学习体验。课程内容经过前期数百小时的打磨设计，保证内容和项目节点设置合理，真正做到学有所得。
- 就业导向，目标明确 顺利完课后，优秀学员可获得京东、百度等互联网大厂联邦学习工程师岗位的合作内推面试机会。
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：
- 联邦学习系统架构
- 联邦学习分类
- 联邦学习常用开源平台
- 联邦学习中的隐私保护技术
- 隐私计算定义与分类
- 同态加密
- 差分隐私
- 安全多方计算
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：
- 分布式机器学习定义
- 分布式机器学习平台
- 大规模机器学习
- 隐私保护机器学习方案
- 分布式机器学习算法
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：
- 横向联邦学习定义
- 横向联邦学习架构
- 联邦平均算法
- 横向联邦学习算法
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：
- 横向联邦学习构建流程
- 横向联邦学习结果分析
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：
- 纵向联邦学习定义
- 纵向联邦学习架构
- 纵向联邦线性回归
- 纵向联邦决策树
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：
- 联邦迁移学习定义
- 联邦迁移学习框架
- 联邦迁移学习训练与预测
- 联邦迁移学习中的同态加密
- 联邦迁移学习中的秘密共享
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：
- 联邦学习应用案例（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等）
- 联邦学习研究及面临问题
- 隐私计算应用案例
- 隐私计算研究及面临问题
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：
- 金融领域风险监测模型构建流程
- 金融领域风险监测模型结果分析
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
- 编程及深度学习基础良好，未来想进入AI行业发展
- 对联邦学习有浓厚兴趣，希望进行实践
在职人士
- 工作中需要应用机器学习，深度学习等技术
- 想进入AI算法行业成为AI算法工程师
- 想通过掌握AI高阶知识，拓宽未来职业路径
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
