Component Translated Unfinished Unfinished words Unfinished characters Untranslated Checks Suggestions Comments
Glossary Flower Docs 0 0 0 0 0 0 0
Framework 53% 1,562 24,573 246,438 1,562 8 0 0

Overview

Project website flower.dev
Project maintainers User avatar charlesbvll User avatar tanertopal
Translation license proprietary Flower Docs Framework
11 hours ago

String statistics

Strings percent Hosted strings Words percent Hosted words Characters percent Hosted characters
Total 3,330 51,020 437,988
Translated 53% 1,768 51% 26,447 43% 191,550
Needs editing 0% 0 0% 0 0% 0
Read-only 0% 0 0% 0 0% 0
Failing checks 1% 8 1% 8 1% 272
Strings with suggestions 0% 0 0% 0 0% 0
Untranslated strings 46% 1,562 48% 24,573 56% 246,438
Last 12 months Previous

Activity in last 12 months

0 changes 0 changes 0 changes 0 changes 0 changes 0 changes 0 changes 0 changes 0 changes 0 changes 0 changes 0 changes 0 changes 0 changes 0 changes 0 changes 0 changes 0 changes 0 changes 0 changes 0 changes 0 changes 0 changes 3,346 changes
Jun Jul Aug Sep Oct Nov Dec Jan Feb Mar Apr May

Quick numbers

51,020
Hosted words
3,330
Hosted strings
53%
Translated
5
Contributors
and previous 30 days

Trends of last 30 days

+100%
Hosted words
—
+100%
Hosted strings
—
+53%
Translated
—
+100%
Contributors
—
User avatar charlesbvll

Changes committed

  1. Flower Docs
  2. Framework
  3. Korean
Changes committed yesterday
User avatar youngkwon311

Translation changed

  1. Flower Docs
  2. Framework
  3. Korean
Differential privacy (DP) is often mentioned in the context of Federated Learning. It is a privacy-preserving method used when analyzing and sharing statistical data, ensuring the privacy of individual participants. DP achieves this by adding statistical noise to the model updates, ensuring any individual participants’ information cannot be distinguished or re-identified. This technique can be considered an optimization that provides a quantifiable privacy protection measure.
차등분 프라이버시(Differential Privacy)는 연합 학습의 맥락에서 종종 언급됩니다. 통계 데이터를 분석하고 공유할 때 사용하는 프라이버시 보호 방식으로, 참가자 개인의 프라이버시를 보장합니다. 차등분 프라이버시는 모델 업데이트에 통계적 잡음(noise)를 추가하여 개별 참가자의 정보를 구별하거나 재식별할 수 없도록 함으로써 이를 달성합니다. 이 기술은 정량적 개인 정보 보호 조치를 제공하는 최적화라고 볼 수 있습니다.
yesterday
User avatar youngkwon311

Translation changed

  1. Flower Docs
  2. Framework
  3. Korean
The `Flower Federated Learning Tutorial - Part 1 <https://flower.ai/docs/framework/tutorial-get-started-with-flower-pytorch.html>`__ shows how to build a simple federated learning system with PyTorch and Flower.
`Flower 연방합 학습 튜토리얼- 1부 <https://flower.ai/docs/framework/tutorial-get-started-with-flower-pytorch.html>`__ PyTorch와 Flower를 사용하여 간단한 연방합 학습 시스템을 구축하는 방법을 보여줍니다.
yesterday
User avatar youngkwon311

Translation changed

  1. Flower Docs
  2. Framework
  3. Korean
In the next part of this tutorial, we are going to build a first federated learning system with Flower.
이 튜토리얼의 다음 부분에서는 Flower와 함께 첫 번째 연방합 학습 시스템을 구축할 것입니다.
yesterday
User avatar youngkwon311

Translation changed

  1. Flower Docs
  2. Framework
  3. Korean
Congratulations, you just learned the basics of federated learning and how it relates to the classic (centralized) machine learning!
축하합니다, 연방지금까지 당신은 연합 학습의 기본 지식과 클래식그것이 어떻게 전통적 (중앙 집중식) 머신러닝과 어떻게 관련되는지 배웠습니다!
yesterday
User avatar youngkwon311

Translation changed

  1. Flower Docs
  2. Framework
  3. Korean
Federated learning, federated evaluation, and federated analytics require infrastructure to move machine learning models back and forth, train and evaluate them on local data, and then aggregate the updated models. Flower provides the infrastructure to do exactly that in an easy, scalable, and secure way. In short, Flower presents a unified approach to federated learning, analytics, and evaluation. It allows the user to federate any workload, any ML framework, and any programming language.
연합 학습, 연합 평가 및 연합 분석은 머신러닝 모델을 앞뒤로 이동하고 로컬 데이터에 대해 훈련 및 평가한 다음 업데이트된 모델을 통합하기 위한 기본 프레임워크가 필요합니다. Flower가 제공하는 기본반 구조는 간단하고 확장 가능하며 안전한 방식으로 이러한 목표를 달성합니다. 간단히 말해서, Flower는 연방합 학습, 분석 및 평가를 위한 통합 접근 방식을 제공합니다. 이를 통해 사용자는 모든 워크로드, ML머신러닝 프레임워크 및 모든 프로그래밍 언어를 통합할 수 있습니다.
yesterday
User avatar youngkwon311

Translation changed

  1. Flower Docs
  2. Framework
  3. Korean
Federated learning, federated evaluation, and federated analytics require infrastructure to move machine learning models back and forth, train and evaluate them on local data, and then aggregate the updated models. Flower provides the infrastructure to do exactly that in an easy, scalable, and secure way. In short, Flower presents a unified approach to federated learning, analytics, and evaluation. It allows the user to federate any workload, any ML framework, and any programming language.
연합 학습, 연합 평가 및 연합 분석은 머신러닝 모델을 앞뒤로 이동하고 로컬 데이터에 대해 훈련 및 평가한 다음 업데이트된 모델을 통합하기 위한 기본 프레임워크가 필요합니다. Flower가 제공하는 인프라기본 구조는 간단하고 확장 가능하며 안전한 방식으로 이러한 목표를 달성합니다. 간단히 말해서, Flower는 연방 학습, 분석 및 평가를 위한 통합 접근 방식을 제공합니다. 이를 통해 사용자는 모든 워크로드, ML 프레임워크 및 모든 프로그래밍 언어를 통합할 수 있습니다.
yesterday
User avatar youngkwon311

Translation changed

  1. Flower Docs
  2. Framework
  3. Korean
**Data volume**: Some sensors, like cameras, produce such a high data volume that it is neither feasible nor economic to collect all the data (due to, for example, bandwidth or communication efficiency). Think about a national rail service with hundreds of train stations across the country. If each of these train stations is outfitted with a number of security cameras, the volume of raw on-device data they produce requires incredibly powerful and exceedingly expensive infrastructure to process and store. And most of the data isn't even useful.
**데이터 볼륨**: 일부 센서(예:카메라)는 너무 많은 데이터 볼륨을 생성하여 모든 데이터를 수집하는 것이 실현 가능하지도 않고 경제적이지도 않습니다(예: 대역폭 또는 통신 효율로 인해). 전국에 수백 개 기차역이 있는 국가 철도 서비스를 생각해 보세요. 각 기차역에 수 많은 보안 카메라가 설치되어 있다면, 그들이 생산하는 대량의 미가공 된 온디바이스 데이터는 처리 및 저장을 위해 엄청나게 강력하고 매우 비싼 기반 구조를 필요로 합니다. 그런데 대부분의 데이터는 유용하지도 않습니다.
yesterday
User avatar youngkwon311

Translation changed

  1. Flower Docs
  2. Framework
  3. Korean
**Data volume**: Some sensors, like cameras, produce such a high data volume that it is neither feasible nor economic to collect all the data (due to, for example, bandwidth or communication efficiency). Think about a national rail service with hundreds of train stations across the country. If each of these train stations is outfitted with a number of security cameras, the volume of raw on-device data they produce requires incredibly powerful and exceedingly expensive infrastructure to process and store. And most of the data isn't even useful.
**데이터 볼륨**: 일부 센서(예:카메라)는 너무 많은 데이터 볼륨을 생성하여 모든 데이터를 수집하는 것이 실현 가능하지도 않고 경제적이지도 않습니다(예: 대역폭 또는 통신 효율로 인해). 전국에 수백 개 기차역이 있는 국가 철도 서비스를 생각해 보세요. 각 기차역에 수 많은 보안 카메라가 설치되어 있다면, 그들이 생산하는 대량의 미가공 된 온디바이스 데이터는 처리 및 저장을 위해 엄청나게 강력하고 매우 비싼 인프라를 필요로 합니다. 그런데 대부분의 데이터는 유용하지도 않습니다.
yesterday
User avatar youngkwon311

Translation changed

  1. Flower Docs
  2. Framework
  3. Korean
Federated learning, federated evaluation, and federated analytics require infrastructure to move machine learning models back and forth, train and evaluate them on local data, and then aggregate the updated models. Flower provides the infrastructure to do exactly that in an easy, scalable, and secure way. In short, Flower presents a unified approach to federated learning, analytics, and evaluation. It allows the user to federate any workload, any ML framework, and any programming language.
연합 학습, 연합 평가 및 연합 분석은 머신 러닝 모델을 앞뒤로 이동하고 로컬 데이터에 대해 훈련 및 평가한 다음 업데이트된 모델을 통합하기 위한 기본 프레임워크가 필요합니다. Flower가 제공하는 인프라는 간단하고 확장 가능하며 안전한 방식으로 이러한 목표를 달성합니다. 간단히 말해서, Flower는 연방 학습, 분석 및 평가를 위한 통합 접근 방식을 제공합니다. 이를 통해 사용자는 모든 워크로드, ML 프레임워크 및 모든 프로그래밍 언어를 통합할 수 있습니다.
yesterday
Browse all changes for this language