Comparative Evaluation of Clustered Federated Learning Methods
Ce projet propose une évaluation comparative de méthodes d'apprentissage fédéré regroupées par clusters. Il permet d'analyser et de comparer les performances de différents modèles de machine learning dans un contexte distribué, en utilisant des jeux de données standardisés comme MNIST ou CIFAR-10. Les résultats sont visualisés sous forme de tableaux et de graphiques pour faciliter l'interprétation des métriques.
Cas d'utilisation métiers
- Comparaison de modèles de clustering : rechercher des initiatives proches
- Benchmark de techniques d'apprentissage automatique : rechercher des initiatives proches
- Analyse de performance de réseaux de neurones : rechercher des initiatives proches
- Évaluation de méthodes d'apprentissage fédéré : rechercher des initiatives proches
- Optimisation de modèles distribués : rechercher des initiatives proches
Cas d'utilisation fonctionnels
Outils utilisés
- NumPy : voir les initiatives qui l'ont aussi
- TensorFlow : voir les initiatives qui l'ont aussi
- scikit-learn : voir les initiatives qui l'ont aussi
- OpenCV : voir les initiatives qui l'ont aussi
- Matplotlib : voir les initiatives qui l'ont aussi
- Pandas : voir les initiatives qui l'ont aussi
- SciPy : voir les initiatives qui l'ont aussi
Description générée le jeudi 12 novembre 2026 à 13:59:44