学习算法历程一

      瑞士著名的科学家N.Wirth教授曾提出:数据结构+算法=程序。
      数据结构是程序的骨架,算法是程序的灵魂。
但是关于计算机专业算法,很多人包括我都有疑惑:“I can understand,but Ican't use! ”
我能看懂,但不会有用!就像参观莫高窟的壁画,看到它、感受它,却无法走进。我觉得大多数人需要一把打开算法之门的钥匙,就如陶渊明《桃花源记》中的“初极狭,才通人。复行数十步,豁然开朗。”



  • 0
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
联邦学习算法可以追溯到20世纪90年代,当时在分布式机器学习和数据挖掘领域有很多相关的研究工作。但是,由于数据隐私和安全性等问题,使得分布式学习变得更加复杂。随着移动设备、传感器网络、物联网等的普及,人们更加关注如何利用这些设备中的数据进行模型训练,而不会暴露用户隐私。 以下是联邦学习算法的发展历程: 1. 2016年,Google提出了Federated Learning的概念,这是一种利用分布式设备进行机器学习的方法,用户的数据不需要上传到云端,而是在本地进行训练,并将模型的更新传回云端。 2. 2017年,联邦学习开始成为一个独立的研究方向,并在NIPS 2017上首次被提出。研究者们开始探索如何在不暴露用户数据的前提下进行模型训练。 3. 2018年,谷歌推出了Federated Learning的第一个应用程序:Gboard。Gboard是一款智能键盘应用程序,该应用程序使用联邦学习来改进文本建议功能,而无需将用户的敏感信息发送到云端。 4. 2019年,联邦学习开始引起越来越多的关注。研究者们提出了许多新的算法和框架,如FedAvg、FedProx、FedMA等,这些算法和框架可以更好地解决联邦学习中的问题。 5. 2020年,COVID-19疫情的爆发使得医疗领域对联邦学习的应用更加关注。研究者们开始探索如何利用联邦学习来进行医疗图像诊断和预测,从而避免数据隐私泄露。 总之,联邦学习算法的发展历程是一个不断探索、不断创新的过程,随着技术的不断进步和应用场景的不断扩展,联邦学习算法的发展前景将会更加广阔。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值