План на курса

Въведение в умна техника на устройството

  • Основи на машинно обучение на устройството
  • Преимущества и предизвикателства на малки езикови модели
  • Преглед на ограниченията на оборудването в мобилни и IoT устройства

Оптимизация на модели за развертане на устройството

  • Квантизация и подрязване на модели
  • Знанието на дистилацията за по-малки и ефективни модели
  • Избор и адаптация на модели за производителност на устройството

Платформени инструменти и рамки за умна техника

  • Въведение в TensorFlow Lite и PyTorch Mobile
  • Използване на специфични за платформата библиотеки за умна техника на устройството
  • Стратегии за развертане на различни платформи

Реално време за извличане на информация и изчислително обръщане

  • Техники за бързо и ефективно извличане на информация на устройствата
  • Използване на изчислително обръщане за умна техника на устройството
  • Примери за приложения на умна техника в реално време

Управление на мощността и батериите

  • Оптимизация на приложенията за умна техника за енергоефективност
  • Балансиране на производителността и консумацията на мощност
  • Стратегии за увеличаване на продължителността на батерията в устройства с умна техника

Сигурност и конфиденциалност в умна техника на устройството

  • Осигуряване на сигурността на данните и конфиденциалността на потребителите
  • Обработка на данни на устройството за запазване на конфиденциалността
  • Сигурни обновления и поддръжка на модели

Потребителски опит и дизайн на взаимодействието

  • Дизайн на интуитивни взаимодействия с умна техника за потребителите на устройствата
  • Интегриране на езикови модели с потребителски интерфейси
  • Тестване и обратна връзка от потребителите за умна техника на устройството

Мащабиране и поддръжка

  • Управление и обновяване на модели на развъртани устройства
  • Стратегии за масштабируеми решения за умна техника на устройството
  • Мониторинг и анализ на развъртаните системи за умна техника

Проект и оценка

  • Разработка на прототип в избран домейн и подготовка за развертане на избран устройство
  • Представяне на решението за умна техника на устройството
  • Оценка спрямо ефективност, иновация и практическа полезност

Резюме и следващи стъпки

Изисквания

  • Чврста основа на принципи на машинно обучение и дълбоко обучение
  • Компетентност в програмиране с Python
  • Основни знания за ограниченията на апаратното оборудване при развертането на AI

Целева аудитория

  • Инженери на машинно обучение и разработчици на AI
  • Инженери на вградени системи, заинтересовани в приложенията на AI
  • Мениджъри на продукти и технически ръководители, надзираващи AI проекти
 21 часа

Брой участници


Цена за участник

Предстоящи Курсове

Свързани Kатегории