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 e IA embebida
- Características del despliegue de modelos TinyML.
- Restricciones en entornos de microcontroladores.
- Descripción general de las cadenas de herramientas (toolchains) de IA embebida.
Fundamentos de la optimización de modelos
- Comprensión de los cuellos de botella computacionales.
- Identificación de operaciones intensivas en memoria.
- Perfilamiento del rendimiento de referencia (baseline).
Técnicas de cuantización
- Estrategias de cuantización post-entrenamiento.
- 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 espacidad del modelo.
- Algoritmos de compresión para inferencia ligera.
Optimización consciente del hardware
- Despliegue de modelos en sistemas ARM Cortex-M.
- Optimización para extensiones DSP y aceleradores.
- Consideraciones sobre mapeo de memoria y flujo de datos.
Análisis de rendimiento (Benchmarking) y validación
- Análisis de latencia y rendimiento (throughput).
- Medición del consumo de energía y potencia.
- Pruebas de precisión y robustez.
Flujos de trabajo y herramientas de despliegue
- Uso de TensorFlow Lite Micro para implementación embebida.
- Integración de modelos TinyML con flujos de trabajo de Edge Impulse.
- Pruebas y depuración en hardware real.
Estrategias avanzadas de optimización
- Búsqueda de arquitectura neuronal para TinyML.
- Enfoques híbridos de cuantización y poda.
- Destilación de modelos para inferencia embebida.
Resumen y próximos pasos
Requerimientos
- Comprender los flujos de trabajo de aprendizaje automático.
- Experiencia con sistemas embebidos o desarrollo basado en microcontroladores.
- Familiaridad con la programación en Python.
Público objetivo
- Investigadores de inteligencia artificial (IA).
- Ingenieros de ML embebido.
- Profesionales que trabajan en sistemas de inferencia con recursos limitados.
21 Horas
