Gracias por enviar su consulta! Uno de los miembros de nuestro equipo se pondrá en contacto con usted en breve.
Gracias por enviar su reserva! Uno de los miembros de nuestro equipo se pondrá en contacto con usted en breve.
Temario del curso
Introducción a TinyML y la IA embebida
- Características de la implementación de modelos TinyML.
- Restricciones en entornos de microcontroladores.
- Descripción general de las herramientas (toolchains) para IA embebida.
Fundamentos de la optimización de modelos
- Comprensión de los cuellos de botella computacionales.
- Identificación de operaciones intensivas en memoria.
- Perfilamiento del rendimiento base.
Técnicas de cuantización
- Estrategias de cuantización posterior al entrenamiento (post-training).
- Entrenamiento consciente de la cuantización (quantization-aware training).
- Evaluación del equilibrio entre precisión y recursos.
Poda y compresión
- Métodos de poda estructurada y no estructurada.
- Compartición de pesos y esparsidad del modelo.
- Algoritmos de compresión para inferencia ligera.
Optimización consciente del hardware
- Implementación de modelos en sistemas ARM Cortex-M.
- Optimización para extensiones DSP y aceleradores.
- Consideraciones sobre mapeo de memoria y flujo de datos.
Evaluación y validación
- Análisis de latencia y rendimiento.
- Medición del consumo de potencia y energía.
- Pruebas de precisión y robustez.
Flujos de trabajo y herramientas de implementación
- Uso de TensorFlow Lite Micro para la implementación embebida.
- Integración de modelos TinyML con pipelines de Edge Impulse.
- Pruebas y depuración en hardware real.
Estrategias avanzadas de optimización
- Búsqueda de arquitectura neural para TinyML.
- Enfoques híbridos de cuantización y poda.
- Destilación de modelos para inferencia embebida.
Resumen y próximos pasos
Requerimientos
- Comprensión de los flujos de trabajo del aprendizaje automático.
- Experiencia con sistemas embebidos o desarrollo basado en microcontroladores.
- Conocimiento de la programación en Python.
Público objetivo
- Investigadores de Inteligencia Artificial.
- Ingenieros de ML embebido.
- Profesionales que trabajan en sistemas de inferencia con recursos limitados.
21 Horas
