課程概述與目標：
本課程為人工智慧與物聯網的整合應用，透過實作導向的學習方式，帶領學生了解並實際操作聯邦學習（Federated Learning, FL）模型。課程內容包含 FL 理論基礎、模型訓練流程、邊緣裝置部署與資料分配設計，並以樹莓派為平台進行情緒分析應用實作。學生將透過小組合作方式探索不同參與人數與訓練回合數對模型效能的影響，最終具備獨立建構並分析 AIoT 應用的實務能力。
課程概述與目標：
本課程為人工智慧與物聯網的整合應用，透過實作導向的學習方式，帶領學生了解並實際操作聯邦學習（Federated Learning, FL）模型。課程內容包含 FL 理論基礎、模型訓練流程、邊緣裝置部署與資料分配設計，並以樹莓派為平台進行情緒分析應用實作。學生將透過小組合作方式探索不同參與人數與訓練回合數對模型效能的影響，最終具備獨立建構並分析 AIoT 應用的實務能力。
| 單元主題 | 內容綱要 | 講授 | 示範 | 習作 | 其他 |
|---|---|---|---|---|---|
| FL核心理論與架構 | - FL vs 傳統 ML - 運作流程、常見演算法、挑戰 | 2hr | – | – | – |
| FL 實作 | - 在單一裝置上模擬FL 運算環境 - 資料分配與模型設計 - 記錄 FL 訓練過程 - 觀察執行結果 | 1hr | – | 2hr | – |
| 邊緣裝置部署 (情緒分析project) | - 邊緣裝置模擬單一客戶端，透過網路傳輸與雲端伺服器連線 - 客戶端建立本地私有資料集 - 觀察協同訓練成果 | 1hr | – | 2hr | – |