Beschreibung
In diesem praktischen Kurs lernst du, wie du maschinelles und tiefes Lernen effizient auf eingebetteten Systemen implementierst und bereitstellst. Trotz der begrenzten Ressourcen dieser Systeme wirst du in der Lage sein, stabile und leistungsstarke Lösungen zu entwickeln. Du wirst Techniken zur Optimierung und Anpassung der Modelle an die spezifischen Anforderungen der Hardware kennenlernen. Außerdem wirst du praktische Erfahrungen sammeln, um deine Fähigkeiten zu vertiefen. Am Ende des Kurses wirst du in der Lage sein, innovative Anwendungen auf Embedded-Plattformen zu realisieren.
Tags
#Künstliche-Intelligenz #Praxisorientiert #Technologie #Entwicklung #Praktische-Anwendung #Ressourcenmanagement #Optimierung #Maschinelles-Lernen #Deep-Learning #Innovative-TechnologienTermine
Kurs Details
Studierende der Informatik Ingenieur:innen im Bereich Embedded Systems Fachleute, die sich mit maschinellem Lernen beschäftigen Entwickler:innen, die in der Automatisierung tätig sind Techniker:innen, die an der Schnittstelle zwischen Software und Hardware arbeiten
Der Kurs behandelt die Implementierung von maschinellen und tiefen Lernmodellen auf eingebetteten Systemen, die oft über begrenzte Ressourcen verfügen. Es geht darum, effiziente Lösungen zu entwickeln, die sowohl stabil als auch leistungsstark sind, um die Herausforderungen der Hardware zu meistern.
- Was sind die Hauptunterschiede zwischen maschinellem Lernen und tiefem Lernen?
- Welche Herausforderungen treten bei der Implementierung von Modellen auf eingebetteten Systemen auf?
- Nenne einige Techniken zur Optimierung von Lernmodellen für Embedded-Plattformen.
- Wie beeinflusst die Hardwareauswahl die Leistung von ML-Modellen?
- Was sind die besten Praktiken zur Bereitstellung von Modellen auf ressourcenbeschränkten Geräten?
