{ "cells": [ { "cell_type": "markdown", "metadata": { "collapsed": true }, "source": [ "# Part 1 - WML Federated Learning with MNIST for Admin " ] }, { "cell_type": "markdown", "metadata": {}, "source": [ "IBM Federated Learningを利用すれば、実際にデータを共有することなく、複数のソースからのデータを組み合わせて、集合データからモデルをトレーニングすることができます。 \n", "これにより、企業はセキュリティのためにリソースを委譲することなく、他社とデータのトレーニングを行うことができます。 \n", "もう一つの利点は、リモートデータを一箇所に集中管理する必要がないため、潜在的に大規模なデータセットを移動させる必要がないことです。 \n", "このノートブックでは、Pythonクライアントを使用して連携学習を開始する方法をデモします。 \n", "Federated Learningのセットアップ、用語、UIからのFederated Learningの実行などの詳細については、[Federated Learningのドキュメント](https://dataplatform.cloud.ibm.com/docs/content/wsj/analyze-data/fed-lea.html?audience=wdp)を参照してください。\n", "\n", "\n" ] }, { "cell_type": "markdown", "metadata": {}, "source": [ "### 学習目標\n", "\n", "Part11 - WML Federated Learning with MNIST for Adminノートブックを終了すると、以下のようなことができるようになります。\n", "\n", "- 未学習モデルをロードする\n", "- リモートトレーニングシステムの作成\n", "- トレーニング・ジョブの開始\n", "\n", "このノートを完成させたら、Part 2 - WML Federated Learning with MNIST for Partyを開いてください。" ] }, { "cell_type": "markdown", "metadata": {}, "source": [ "
requests.get
で再実行して、このコードセルを再実行して出力を確認してください。