WeFe ( WeLab Federated Learning ) 是 Welab 汇立集团子公司天冕科技发起的开源项目，为联邦学习生态系统提供了一套好用的可靠的安全计算框架。
WeFe 是基于联邦机器学习技术的可视化分布式建模平台，可以充分保护各方用户数据安全，打破数据孤岛；支持企业按照具体的建模场景，沟通并匹配其他联邦成员，在明文数据不出库的前提下，共同完成联邦模型的训练与构建，帮助建模人员快速搭建联邦学习任务（横向联邦、纵向联邦、纵横向混合联邦等）。
项目特点
- 混合联邦，纵向联邦学习与横向联邦学习结合的行业解决方案；
- 使用联盟链作为联邦中心存证共享方案；
- 支持流程可视化，托拉拽编辑流程的交互形式；
- 基于函数计算与云存储对象实现动态资源拓展方案；
- 支持 GPU 加速同态加密运算（实验室）。
联邦学习算法
- WeFe 目前支持的联邦学习算法：横向联邦、纵向联邦、混合联邦、深度学习。
- 基于FATE，改进并新增了相关算法，算法细节请参考 Kernel 模块文档 kernel/README.md。
系统架构
WeFe 系统由两大模块 union 与 member 组成；
member 是 WeFe 联邦学习平台中进行联邦建模的最小成员单位；
union 是一个去中心化的公共服务平台，存储了联邦中的可公开信息并提供给联邦中的 member 访问。
模块详情：
- union 模块，详见 union/README.md；
- member 模块，详见 README_MEMBER.md。
-
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
-
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。
-
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
-
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。