آموزش TinyML
Learning TinyML
نکته:
آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
در حالی که ممکن است متوجه آن نباشید، TinyML احتمالاً زندگی شما را به نوعی به صورت روزانه تحت تأثیر قرار می دهد. اگر گوشی هوشمند یا دستگاه اینترنت اشیا دارید که دارای فعال‌سازی صدا، تشخیص چهره، تشخیص صدا یا سایر عملکردهایی است که از الگوریتم‌های یادگیری ماشینی استفاده می‌کنند، باید از TinyML تشکر کنید. در این دوره، مربی Archana Vaidheeswaran شما را به دنیای TinyML راهنمایی می کند و به شما نشان می دهد که چگونه می توانید مدل های عظیم هوش مصنوعی را درست در کف دست خود پردازش کنید. Archana با آموزش به شما شروع می‌کند که چگونه تشخیص دهید که آیا مشکل ML/AI شما یک مشکل TinyML است یا خیر، سپس تکنیک‌های بهینه‌سازی را به شما نشان می‌دهد تا متناسب با مدل‌های یادگیری عمیق شما باشد و موارد استفاده چندگانه را نشان می‌دهد. او تکنیک‌های کوانتیزاسیون، نحوه آموزش یک مدل با استفاده از Tflite، نحوه استقرار مدل TinyML را توضیح می‌دهد و کل چرخه حیات TinyMLOps را پوشش می‌دهد. Archana دوره را با نگاهی به آنچه برای آینده TinyML در نظر گرفته است، به همراه برخی منابعی که می توانید برای ادامه یادگیری خود استفاده کنید، به پایان می رساند.
سرفصل ها و درس ها
مقدمه Introduction
-
شروع با TinyML (در حال انجام) Getting started with TinyML (In progress)
-
TinyML چیست؟ What is TinyML?
-
آنچه شما باید بدانید What you should know
1. آیا مشکل شما یک مشکل TinyML است؟ 1. Is Your Problem a TinyML Problem?
-
تعریف محدودیت ها Defining constraints
-
چک لیست برای مشکل TinyML Checklist for a TinyML problem
-
امتحان فصل Chapter Quiz
2. حل محدودیت ها: تکنیک های بهینه سازی 2. Solving the Constraints: Optimization Techniques
-
مدل های از قبل آموزش دیده Pre-trained models
-
کوانتیزاسیون و انواع کوانتیزاسیون Quantization and types of quantization
-
کمی سازی پس از آموزش TFLite TFLite post training quantization
-
آموزش آگاهی کوانتیزاسیون در TFLite Quantization awareness training in TFLite
-
هرس Pruning
-
تقطیر دانش Knowledge distillation
-
چالش: مقایسه نتایج بهینه سازی Challenge: Compare results of optimization
-
راه حل: مقایسه نتایج بهینه سازی Solution: Compare results of optimization
-
امتحان فصل Chapter Quiz
3. استقرار مدل های TinyML 3. Deploying TinyML Models
-
ضربه لبه Edge impulse
-
یک پروژه طبقه بندی را در تلفن خود مستقر کنید Deploy a classification project to your phone
-
چالش: استفاده از تشخیص صدا در گوشی شما Challenge: Using voice recognition on your phone
-
راه حل: با استفاده از تشخیص صدا در تلفن خود Solution: Using voice recognition on your phone
-
امتحان فصل Chapter Quiz
4. TinyMLOps 4. TinyMLOps
-
دستگاه های سخت افزاری Hardware devices
-
جمع کردن تمام مفاهیم با هم Bringing all the concepts together
-
امتحان فصل Chapter Quiz
نتیجه Conclusion
-
منابع برای TinyML Resources for TinyML
-
آینده TinyML: مسیرهای تحقیقاتی Future of the TinyML: Research directions
-
مراحل بعدی با TinyML Next steps with TinyML
جزییات دوره
1h 10m
26
Linkedin (لینکدین)
(آخرین آپدیت)
-
- از 5
ندارد
دارد
دارد
https://donyad.com/d/4b03
Archana Vaidheeswaran
دانشمند داده، مهندس هوش مصنوعی و مدیر محصول داده
Archana Vaidheeswaran یک مهندس هوش مصنوعی، دانشمند داده و مدیر پروژه است
Archana ابتکار عمل Scaledown را اجرا می کند. چارچوب بهینه سازی شبکه عصبی منبع برای دستگاه های TinyML. او همچنین مدیر اطلاعات محصول در Women Who Code است. او پس از دریافت مدرک لیسانس خود در دانشگاه SRM، در دانشگاه ملی سنگاپور تحصیل کرد و در آنجا مدرک کارشناسی ارشد خود را در مهندسی برق و کامپیوتر گرفت.
Archana ابتکار عمل Scaledown را اجرا می کند. چارچوب بهینه سازی شبکه عصبی منبع برای دستگاه های TinyML. او همچنین مدیر اطلاعات محصول در Women Who Code است. او پس از دریافت مدرک لیسانس خود در دانشگاه SRM، در دانشگاه ملی سنگاپور تحصیل کرد و در آنجا مدرک کارشناسی ارشد خود را در مهندسی برق و کامپیوتر گرفت.
نمایش نظرات