در حال حاضر محصولی در سبد خرید شما وجود ندارد.
در حالی که ممکن است آن را متوجه نشوید ، Tinyml احتمالاً به طور روزانه به نوعی زندگی شما را تحت تأثیر قرار می دهد. اگر یک تلفن هوشمند یا دستگاه IoT دارید که دارای فعال سازی صوتی ، تشخیص چهره ، تشخیص صوتی یا سایر کارکردهایی است که از الگوریتم های یادگیری ماشین استفاده می کند ، از Tinyml برای تشکر استفاده می کنید. در این دوره ، مربی Vaidheeswaran Archana
شما را به دنیای Tinyml راهنمایی می کند و به شما نشان می دهد که چگونه می توانید مدل های عظیم AI را درست در کف دست خود پردازش کنید. Vaidheeswaran با آموزش چگونگی تشخیص اینکه آیا مشکل ML/AI شما یک مشکل tinyml است ، شروع می کند ، سپس تکنیک های بهینه سازی را متناسب با مدل های یادگیری عمیق خود نشان می دهد و موارد استفاده چندگانه را نشان می دهد. او تکنیک های کمیت را توضیح می دهد ، نحوه آموزش یک مدل با استفاده از tflite ، نحوه استقرار یک مدل tinyml ، و کل چرخه عمر tinymlops را پوشش می دهد. Vaidheeswaran دوره را با نگاهی به آنچه در آینده برای آینده Tinyml است ، به همراه برخی از منابع شما می توانید برای ادامه یادگیری خود به پایان برسانید.
عنوان اصلی : Learning TinyML
سرفصل های دوره :
مقدمه:
شروع با tinyml
tinyml چیست؟
آنچه باید بدانید
1. آیا مشکل شما مشکل tinyml است؟ :
تعریف محدودیت ها
لیست چک برای یک مشکل tinyml
2. حل محدودیت ها: تکنیک های بهینه سازی:
مدل های از پیش آموزش
کمیت و انواع کمیت
Tflite Post Training Quantization
آموزش آگاهی کمیت در TFLITE
هرس
تقطیر دانش
چالش: مقایسه نتایج بهینه سازی
راه حل: نتایج بهینه سازی را مقایسه کنید
3. استقرار مدل های tinyml:
ضربه لبه
یک پروژه طبقه بندی را به تلفن خود مستقر کنید
چالش: یک مدل رگرسیون را به تلفن خود مستقر کنید
راه حل: یک مدل رگرسیون را به تلفن خود مستقر کنید
4. tinymlops:
دستگاه های سخت افزاری
همه مفاهیم را جمع می کند
نتیجه گیری:
منابع برای tinyml
آینده tinyml: جهت های تحقیق
مراحل بعدی با tinyml
Learning TinyML
در این روش نیاز به افزودن محصول به سبد خرید و تکمیل اطلاعات نیست و شما پس از وارد کردن ایمیل خود و طی کردن مراحل پرداخت لینک های دریافت محصولات را در ایمیل خود دریافت خواهید کرد.
