Course Outline

Εισαγωγή στην On-Device AI

  • Βασικά της μηχανικής μάθησης ανά υπολογιστό
  • Αποδεξιότητες και προκλήσεις των μικρών λεξικολογικών μοντέλων
  • Περιγραφή των υπολογιστικών περιορισμών σε κινητά και IoT συστήματα

Συσχετισμός Μοντέλων για Διάθεση ανά υπολογιστό

  • Κατανόμηση και εκτόμαριση των μοντέλων
  • Διάχυση γνώσεων για μικρότερα, αποδοτικά μοντέλα
  • Επιλογή και προσαρμογή μοντέλων για τη δομή ανά υπολογιστό

Συστήματα AI και Frameworks Περιβαλλόντων

  • Εισαγωγή στο TensorFlow Lite και PyTorch Mobile
  • Χρήση περιβαλλοντικών βιβλιοθηκών για AI ανά υπολογιστό
  • Στρατηγικές παραγωγής διασύνδεσης

Απολυτή Περίφημη Διάβαση και Edge Computing

  • Τεχνικές για γρήγορη και αποδοτική διάβαση σε υπολογιστές
  • Χρήση edge computing για AI ανά υπολογιστό
  • περίπτωσες πρακτικών εφαρμογών AI σε πραγματικό χρόνο

Διαχείριση Ενέργειας και Μέτρηση Ζωής του Βατράκιου

  • Συσχετισμός AI εφαρμογών για απόδοση ενέργειας
  • Δημιουργία καλύβων μεταξύ περιπτώσεων και ορισμό δυνάμεων
  • Στρατηγικές για το επεκτείνοντας τη ζωή του βατράκιου σε AI-δυναμοσφαιρισμένα υπολογιστικά

Ασφάλεια και Εξειδίκευση στην On-Device AI

  • Για προστασία των δεδομένων και εγκατάλειψη απόχρησης των χρηστών
  • Εφαρμογή συστημάτων AI σε υπολογιστές για ασφαλό είδη διαθέσιμη προστασία
  • Ασφαλή περιβάλλον μετακίνηση και αντιμετώπιση

Διαχείριση χρήστη και Σχεδιασμός Διαφοροποίησης

  • Διάθεση συνεκτικών AI επιπτώσεων για χρήστες υπολογιστών
  • Σύνδεση λεξικολογικών μοντέλων με διαφοροποίηση επιφάνειας χρήστη
  • Εφαρμογή συνόψεις και παρακολούθηση για AI ανά υπολογιστό

Ανάδυση και Διαφοροποίηση

  • Διαχείριση και ενημέρωση μοντέλων σε διαθέσιμους υπολογιστές
  • Στρατηγικές για ανάδυση AI λύσεις ανά υπολογιστό
  • Διαθέσιμη και ανάλυση εφαρμογών AI διαθέσιμων συστημάτων

Πρόγραμμα και Εκτίμηση

  • Δημιουργία προτύπου σε μια επιλεγμένη τομή και πρόθεση για ανάδυση σε ένα επιλεγμένο υπολογιστικό
  • Διάθεση της λύσης AI ανά υπολογιστό
  • Εκτίμηση με βάση αποδοτικότητα, εξέχουσια και πρακτικότητα

Περίληψη και Διαφοροποίηση

Requirements

  • Πλήρης κατανόηση των αρχών της μηχανικής μάθησης και των βαθυνεργειακών νευρωνικών δικτύων
  • Υποτελέσματα στη πρόγραμμα Python
  • Βασική γνώση των φυσικών περιορισμών του υλικού για τη εφαρμογή της AI

Περιοχή Επίδρασης

  • Βυθισμένοι επεξεργαστές μηχανικής μάθησης και αναπτυκτές AI
  • Τεχνικοί ενσωματωμένων συστημάτων που ενδιαφέρονται για τις εφαρμογές AI
  • Διευθύντες προϊόντων και τεχνικά lead που ρυθμίζουν AI έργα
 21 Hours

Number of participants


Price per participant

Upcoming Courses

Related Categories