Ευχαριστούμε που στάλθηκε η αποσαφήνισή σας! Ένα μέλος της ομάδου μας θα επικοινωνήσει μαζί σας σύντομα.
Ευχαριστούμε για την εκδήλωση κράτησης! Ένας από τους συνεργάτες μας θα επικοινωνήσει μαζί σας σύντομα.
Εξέλιξη Κομματιού
Foundations of TinyML Pipelines
- Overview of TinyML workflow stages
- Characteristics of edge hardware
- Pipeline design considerations
Data Collection and Preprocessing
- Collecting structured and sensor data
- Data labeling and augmentation strategies
- Preparing datasets for constrained environments
Model Development for TinyML
- Selecting model architectures for microcontrollers
- Training workflows using standard ML frameworks
- Evaluating model performance indicators
Model Optimization and Compression
- Quantization techniques
- Pruning and weight sharing
- Balancing accuracy and resource limits
Model Conversion and Packaging
- Exporting models to TensorFlow Lite
- Integrating models into embedded toolchains
- Managing model size and memory constraints
Deployment on Microcontrollers
- Flashing models onto hardware targets
- Configuring run-time environments
- Real-time inference testing
Monitoring, Testing, and Validation
- Testing strategies for deployed TinyML systems
- Debugging model behavior on hardware
- Performance validation in field conditions
Integrating the Full End-to-End Pipeline
- Building automated workflows
- Versioning data, models, and firmware
- Managing updates and iterations
Summary and Next Steps
Απαιτήσεις
- Κατανόηση των βασικών αρχών της μηχανικής μάθησης
- Εμπειρία στο εμφυτευμένο προγραμματισμό
- Γνώση των Python-based data workflows
Ακροατήριο
- Μηχανικοί AI
- Πρόγραμματες λογισμικού
- Εμφυτευμένοι εξπέρτοι συστημάτων
21 Ώρες
