贪心学院- 联邦学习与隐私计算研修 – 百度云盘 – 下载

课程亮点：

联邦学习（Federated Learning）由谷歌在2016年首次提出，从2018年8月开始在国内快速发展和普及，目前联邦学习研究或应用单位已超过百家，阿里、微众银行、建设银行、京东、腾讯、平安等各领域的头部企业均在大力推进。近年来，国内外保护个人隐私和数据安全的法律法规密集出台，机构对于保障用户隐私和数据安全、多方数据合作的需求日益强烈，联邦学习技术发展迅速，热度空前，在很多隐私计算应用场景下成为主流的解决方案和产品选择，相关框架、平台和产品逐渐成熟，再金融风控、广告营销、联合数据分析等领域逐步投入应用。未来，联邦学习会继续进行产业化演进，向着合法、合规的方向重点解决数据安全与交互效率问题，在数据不出域、保障用户隐私和数据安全的前提下多方进行联合计算，赋能跨行业的数据合作，有效提升机器学习模型的性能和数据分析的结果，进而重新定义各数据合作方的角色、服务和业务模式，催生基于联合建模与联合分析的新的数据业务模式和数据使用方式。
本次课程通过学习实践联邦学习核心知识，为学生构建联邦学习的理论知识体系，并将理论运用于构建服务于金融业的多机构联合违约风险监测模型，解决当前数据安全和隐私保护法律法规密集出台之下机构间形成的数据孤岛问题，在数据不出本地的前提下实现数据价值安全释放，从而提学生的联邦学习理论和实践能力

课程大纲：

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