FATE（Federated AI Technology Enabler）是基于联邦机器学习技术的一个框架，其旨在提供安全的计算框架来支持联邦 AI 生态。FATE 实现了基于同态加密和多方计算（MPC）的安全计算协议，它支持联邦学习架构和各种机器学习算法的安全计算，包括逻辑回归、基于树的算法、深度学习和转移学习。
联邦机器学习又名联邦学习、联合学习与联盟学习，它能有效帮助多个机构在满足用户隐私保护、数据安全和政府法规的要求下，进行数据使用和机器学习建模，消除由于行业竞争、隐私安全与行政手续等问题带来的数据孤岛，让以数据为基础的机器学习顺利进行。
-
一、FATE概念 1. 角色 在Fate的概念中分成3种角色，Guest、Host、Arbiter （1）Guest表示数据应用方，在纵向算法中，Guest往往是有标签y的一方。一般是由Guest发起建模流程。 （2）Host是数据提供方 （3）arbiter是用来辅助多方完成联合建模的，主要的作用是用来聚合梯度或者模型,比如纵向lr里面,各方将自己一半的梯度发送给arbiter，然后arbite
-
最近xhd正在玩一款叫做FATE的游戏，为了得到极品装备，xhd在不停的杀怪做任务。久而久之xhd开始对杀怪产生的厌恶感，但又不得不通过杀怪来升完这最后一级。现在的问题是，xhd升掉最后一级还需n的经验值，xhd还留有m的忍耐度，每杀一个怪xhd会得到相应的经验，并减掉相应的忍耐度。当忍耐度降到0或者0以下时，xhd就不会玩这游戏。xhd还说了他最多只杀s只怪。请问他能升掉这最后一级吗？ Inpu
-
使用方式 python fate_flow_client.py -f $command JOB_OPERATE submit_job 提交一个pipeline 任务 参数: -c -config: runtime conf path, Required -d -dsl: dsl path, Required python fate_flow_client.py -f submit_job
-
一、上传数据 1.1 上传数据配置文件 //upload_data.json { "file": "examples/data/breast_hetero_guest.csv", //所上传的csv文件 "table_name": "hetero_breast_guest", //存储数据表的表名 "namespace": "experiment",
-
整理自：github-fate 0. 总体流程 （1）数据准备（如果用默认的数据，就不需要准备了）； （2）把数据的路径，写到upload_host.json或者upload_guest.json的里，然后用fate_flow把数据upload到指定的namescope和table_name（json里设置）； （3）配置计算图的流程和模块：dsl.json文件；配置计算图中的数据、算法超参数等：
-
mnist数据集在FATE上应用 ** 一、下载mnist数据集 ** 我用阿里云盘分享了「MNIST」，复制这段内容打开「阿里云盘」App 即可获取 链接：https://www.aliyundrive.com/s/XUy3CKV9QQS ** 二、转换格式 ** （一）解压，将gz文件转成-ubyte （二）制作.py文件 def convert(imgf, labelf, outf, n
-
有关TensorFlow与其他框架的详细对比可以阅读： https://zhuanlan.zhihu.com/p/25547838 01 TensorFlow的编程模式 编程模式分为两种：命令式编程与符号式编程 前者是我们常用的C++，java等语言的编程风格如下 命令式编程看起来逻辑非常清晰，易于理解。而符号式编程涉及较多的嵌入和优化，如下 执行相同的计算时c，d可以共用内存，使用Tenso
-
分享面经攒攒人品！base西安 整个面试不到20minutes，不用手撕，感觉真就kpi面，主要是我的方向和他们也不太吻合。 自我介绍，项目细问+面试官介绍他们的业务和方向+反问。。。 面试官人很nice！月底出结果（说是投的人好多还得面好多），不过我面完就知道凉凉
-
面试官特别温柔有礼貌，全程无八股无手撕，先是询问我的论文，问的特别细，包括这个卷积核大小是多少，然后他还现场给我计算，仿佛在审稿，后悔没准备ppt了，当场从arxiv下载下来共享屏幕，因为之前面的几家都不怎么关心我的论文，只能说还得是联想研究院 然后问实习经历，追问你个人的代码贡献，主要工作，创新点等，遇到比较感兴趣的，要我当场手敲公式给他展示(*´I`*)感觉真的很有科研氛围
-
关联规则：关联规则反映一个事物与其他事物之间的相互依存性和关联性。如果两个或者多个事物之间存在一定的关联关系，那么，其中一个事物就能够通过其他事物预测到。Apriori算法利用频繁项集生成关联规则。它基于频繁项集的子集也必须是频繁项集的概念。频繁项集是支持值大于阈值（support）的项集。
-
Python 有着海量的可用于数据分析、统计以及机器学习的库，这使得 Python 成为很多数据科学家所选择的语言。 下面我们列出了一些被广泛使用的机器学习及其他数据科学应用的 Python 包。 Scipy 技术栈 Scipy 技术栈由一大批在数据科学中被广泛使用的核心辅助包构成，可用于统计分析与数据可视化。由于其丰富的功能和简单易用的特性，这一技术栈已经被视作实现大多数数据科学应用的必备品了。
-
主要内容 前言 课程列表 推荐学习路线 数学基础初级 程序语言能力 机器学习课程初级 数学基础中级 机器学习课程中级 推荐书籍列表 机器学习专项领域学习 致谢 前言 我们要求把这些课程的所有Notes,Slides以及作者强烈推荐的论文看懂看明白，并完成所有的老师布置的习题，而推荐的书籍是不做要求的，如果有些书籍是需要看完的，我们会进行额外的说明。 课程列表 课程 机构 参考书 Notes等其他资
-
机器学习与人工智能学习笔记，包括机器学习、深度学习以及常用开源框架（Tensorflow、PyTorch）等。 机器学习算法 _图片来自scikit-learn_。 机器学习全景图 _图片来自http://www.shivonzilis.com/_。
-
机器学习与人工智能学习笔记，包括机器学习、深度学习以及常用开源框架（Tensorflow、PyTorch）等。