感谢您发送咨询!我们的团队成员将很快与您联系。
感谢您发送预订!我们的团队成员将很快与您联系。
课程大纲
设备端 AI 简介
- 设备端机器学习的基础知识
- 小型语言模型的优势和挑战
- 移动和 IoT 设备中的硬件限制概述
设备端部署的模型优化
- 模型量化和修剪
- 针对更小、更高效的模型进行知识提炼
- 选择和调整模型以提高设备性能
特定于平台的 AI 工具和框架
- TensorFlow Lite 和 PyTorch Mobile 简介
- 利用特定于平台的库进行设备端 AI
- 跨平台部署策略
实时推理和 Edge Computing
- 在设备上快速高效推理的技术
- 利用边缘计算实现设备端 AI
- 实时 AI 应用案例研究
电源 Management 和电池寿命注意事项
- 优化 AI 应用程序以提高能源效率
- 平衡性能和功耗
- 延长 AI 供电设备电池寿命的策略
设备端 AI 中的安全和隐私
- 确保数据安全和用户隐私
- 用于隐私保护的设备端数据处理
- 安全的模型更新和维护
用户体验和交互设计
- 为设备用户设计直观的 AI 交互
- 将语言模型与用户界面集成
- 设备端 AI 的用户测试和反馈
Scala能力与维护
- 管理和更新已部署设备上的模型
- 可扩展的设备端 AI 解决方案策略
- 对已部署的 AI 系统进行监控和分析
项目与评估
- 在选定域中开发原型并准备在选定设备上部署
- 设备端 AI 解决方案演示
- 基于效率、创新、实用性的评价
摘要和后续步骤
要求
- 机器学习和深度学习概念的坚实基础
- 熟练使用 Python 编程
- AI部署硬件约束的基本知识
观众
- 机器学习工程师和 AI 开发人员
- 对 AI 应用感兴趣的嵌入式系统工程师
- 监督 AI 项目的产品经理和技术主管
21 小时