@masterthesis{Gedikoglu, type = {Bachelor Thesis}, author = {Gedikoglu, Furkan}, title = {Versuchsorientierte Analyse von Federated Learning und Centralized Machine Learning-Methoden zur Bildklassifizierung unter besonderer Ber{\"u}cksichtigung von Datenschutz, Effizienz und Effektivit{\"a}t}, school = {Hochschule Rhein-Waal}, abstract = {Die vorliegende Arbeit befasst sich mit der Untersuchung der Effektivit{\"a}t und Effizienz von verteiltem Fine-Tuning auf Endger{\"a}ten im Vergleich zu zentralisiertem, cloudbasiertem Machine Learning. Zu diesem Zweck wurden Experimente sowohl mit Federated Learning als auch mit Centralized Machine Learning durchgef{\"u}hrt. Dabei wurden verschiedene Modellarchitekturen, darunter ResNet-20 und ResNet-56, sowie unterschiedliche Parameterkonfigurationen getestet. Die Experimente wurden auf einer Testumgebung mit 21 Mac minis im Cloud Resilience Lab der Hochschule Rhein-Waal durchgef{\"u}hrt. Die Ergebnisse zeigen, dass der zentralisierte Ansatz im Allgemeinen eine h{\"o}here Modellgenauigkeit erreicht, w{\"a}hrend der verteilte Ansatz Vorteile im Bereich des Datenschutzes bietet. Die Analyse der Energieeffizienz ergab, dass der zentralisierte Ansatz weniger Energie verbraucht als der verteilte Ansatz.}, language = {de} }