书籍介绍
在数据隐私和安全日益受到关注的今天，联邦学习作为一种既能保护数据隐私又能实现模型训练的技术，正逐渐成为人工智能领域的研究热点。本书以其严谨的学术态度和丰富的案例分析，为我们揭示了联邦学习的奥秘，为相关领域的学者、工程师和研究人员提供了宝贵的参考资料。
作者简介
杨强教授是微众银行首席人工智能官及香港科技大学讲席教授，曾任大数据研究院创始主任。他在人工智能、机器学习和数据挖掘等领域有深入研究，尤其关注迁移学习等前沿技术。杨教授拥有丰富的学术及工业界经验，曾获多项国际奖项，并担任多个国际协会会士。
推荐理由
《联邦学习》这本书深入探讨了联邦学习这一新兴的机器学习技术，详细介绍了其在隐私保护、数据安全、分布式计算等方面的应用和挑战。书中不仅阐述了联邦学习的基本原理和技术细节，还涵盖了横向联邦学习、纵向联邦学习、联邦迁移学习等多个重要领域，为读者提供了一个全面了解联邦学习的平台。
适合哪些人读
对机器学习、人工智能、数据科学感兴趣的读者
希望了解和掌握联邦学习技术的工程师
从事隐私保护、数据安全相关工作的专业人士
对新兴技术保持好奇心和探索欲的广大读者。
希望了解和掌握联邦学习技术的工程师
从事隐私保护、数据安全相关工作的专业人士
对新兴技术保持好奇心和探索欲的广大读者。
书籍脑图
目录
用户评论
没有实战内容，只有相关的概念总结，比较适合初学者熟悉概念。
一般，感觉核心思想反复讲。几张图不错。算法讲的不够清晰，还有一些核心算法也不够深入。
作为入门书籍还不错，期待能有联邦学习相关的经典书籍出现。
杨强老师的这本书对于联邦学习入门还是很有帮助的。整本书相当于对联邦学习白皮书和论文的科普性扩充，更适合了解背景和大方向。
大水书。一个小时看了半本，剩下半本还有三分之一是reference。
十几页survey的内容，硬写了一本书，充满了重复叙述，PR大于技术。
读后发现联邦学习也不过就是老掉牙的分布式训练套层皮，更像是营销概念而非技术路线，不值一读。
就那点东西，反复的去讲
还行 概念讲得OK 例子多点就好了 不过初步阶段的第一批书 应用案例少也能理解
粗浅了解下，可读性相对差一些
没有具体算法比较可惜，更多的是对于该领域文献综述，指引具体的文献。感觉联邦学习还是应该比较初级的研究方向，并且涉及很多人为因素，更多是提升效率与安全性。纵向联邦学习值得考虑。
联邦学习的概念很清楚，但近年的产出并不丰富。尤其在底层分布式优化等技术并不成熟的基础上做各类应用显然是违反客观规律。鉴于这本书是由公司的人执笔，很明显目的不仅仅是学术推广。所以即使你不小心买了，也不要太认真看哈哈。
书籍解析
立即阅读