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.
Duración 21 horas
Temario del curso
Introducción a TinyML y la IA Embebida
- Características del despliegue de modelos TinyML.
- Restricciones en entornos de microcontroladores.
- Vista general de las cadenas de herramientas de IA embebida.
Fundamentos de la Optimización de Modelos
- Comprensión de los cuellos de botella computacionales.
- Identificación de operaciones intensivas en memoria.
- Perfiles de rendimiento base (baseline).
Técnicas de Cuantización
- Estrategias de cuantización posterior al entrenamiento.
- Entrenamiento consciente de la cuantización (Quantization-aware training).
- Evaluación de las compensaciones entre la precisión y los recursos.
Poda y Compresión
- Métodos de poda estructurada y no estructurada.
- Compartición de pesos y rareza del modelo (sparsity).
- 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 de mapeo de memoria y flujo de datos.
Pruebas de Benchmark y Validación
- Análisis de latencia y tasa de transferencia (throughput).
- Mediciones de consumo de potencia y energía.
- Pruebas de precisión y robustez.
Flujos de Trabajo y Herramientas de Despliegue
- Uso de TensorFlow Lite Micro para el despliegue embebido.
- Integración de modelos TinyML con pipelines de Edge Impulse.
- Pruebas y depuración en hardware real.
Estrategias Avanzadas de Optimización
- Búsqueda de arquitecturas neuronales 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 de aprendizaje automático.
- Experiencia en sistemas embebidos o desarrollo basado en microcontroladores.
- Conocimiento de la programación en Python.
Público Objetivo
- Investigadores en IA.
- Ingenieros de ML embebido.
- Profesionales que trabajan en sistemas de inferencia con recursos limitados.
