Temario del curso
Introducción a la Optimización de IA para Entornos Periféricos
- Conceptos básicos sobre IA en dispositivos periféricos y sus desafíos asociados.
- Importancia crucial que reviste la optimización de modelos para este tipo de sistemas.
- Estudios de caso sobre aplicaciones reales donde se emplearon modelos IA previamente optimizados.
Técnicas de Compresión para Modelos
- Descripción general del procedimiento y sus objetivos prácticos.
- Variadas estrategias tendentes a minimizar el tamaño de los modelos sin afectar su calidad.
- Ejercicios prácticos orientados al desarrollo real de dichas compresiones.
Métodos de Cuantización
- Definición y beneficios concretos derivados de su aplicación.
- Distintas categorías existentes (después del entrenamiento, con conciencia de cuantización durante dicho proceso).
- Actividades prácticas vinculadas a la implementación de tales métodos en modelos específicos.
El Podado y Otras Estrategias Complementarias
- Introducción conceptual al fenómeno conocido como podado en entornos de IA.
- Distintas técnicas para efectuar tal podado de manera eficaz.
- Estrategias secundarias (como la destilación del conocimiento) relevantes para mejorar el rendimiento general.
- Talleres específicos orientados al diseño práctico de tales procesos de podado y otras optimizaciones.
Implementación Final de los Modelos Optimizados
- Preparación del entorno requerido en el dispositivo periférico escogido.
- Despliegue y posterior validación operativa de dichos modelos.
- Resolución metódica de posibles fallas derivadas del proceso implementado.
- Ejercicios prácticos enfocados a consolidar competencias en dicha fase concreta.
Herramientas y Frameworks de Ayuda
- Descripciones generales sobre instrumentos útiles, como TensorFlow Lite u ONNX.
- Guía específica para utilizar adecuadamente la plataforma de TensorFlow Lite en este contexto concreto.
- Actividades manuales diseñadas para potenciar la maestría en el empleo de dichas herramientas.
Aplicaciones Prácticas y Estudios Detallados
- Análisis detallado de proyectos exitosos donde se implementó tal optimización en la práctica.
- Exploración de casuísticas concretas dependientes del sector empresarial o industrial que los use.
- Desarrollo real de un proyecto pequeño orientado al diseño, así como a la mejora y puesta en práctica de una aplicación cotidiana bajo estas reglas.
Síntesis Final e Indicaciones Adicionales
Requerimientos
- Comprensión básica de conceptos vinculados a la inteligencia artificial y al aprendizaje automático.
- Experiencia previa en el desarrollo de modelos de IA.
- Habilidades básicas de programación; se recomienda contar con conocimientos de Python.
Público objetivo
- Desarrolladores especializados en IA
- Ingenieros dedicados al aprendizaje automático
- Arquitectos de sistemas
Formación Corporativa a Medida
Soluciones de formación diseñadas exclusivamente para empresas.
- Contenido personalizado: Adaptamos el temario y los ejercicios prácticos a los objetivos y necesidades reales del proyecto.
- Calendario flexible: Fechas y horarios adaptados a la agenda de su equipo.
- Modalidad: Online (en directo), In-company (en sus oficinas) o Híbrida.
Precio por grupo privado (formación online) desde 2900 € + IVA*
Contáctenos para obtener un presupuesto exacto y conocer nuestras promociones actuales
Reseñas (2)
Fomentar la repetición en la construcción de indicaciones (prompts) entre quienes nunca han utilizado la IA, y animar a los usuarios experimentados a considerar métodos alternativos para su uso.
Matthew Gay - Tarsus Pharmaceuticals
Curso - Artificial Intelligence (AI) Overview
Traducción Automática
Trabajando desde principios fundamentales de manera enfocada y pasando a aplicar estudios de caso en el mismo día
Maggie Webb - Department of Jobs, Regions, and Precincts
Curso - Artificial Neural Networks, Machine Learning, Deep Thinking
Traducción Automática
