Kurzusleírás

Az Edge AI bemutatása

  • Definíció és kulcsfogalmak
  • Az Edge AI és a felhő AI közötti különbségek
  • Az Edge AI előnyei és használati esetei
  • Az éleszközök és platformok áttekintése

Az Edge környezet beállítása

  • Bevezetés az éleszközökbe (Raspberry Pi, NVIDIA Jetson stb.)
  • A szükséges szoftverek és könyvtárak telepítése
  • A fejlesztői környezet konfigurálása
  • A hardver előkészítése az AI telepítéséhez

AI modellek fejlesztése az Edge számára

  • Az éleszközök gépi tanulási és mély tanulási modelljeinek áttekintése
  • Modellek betanítási technikái helyi és felhőkörnyezetekben
  • Modelloptimalizálás az élek telepítéséhez (kvantálás, metszés stb.)
  • Eszközök és keretrendszerek az Edge AI fejlesztéséhez (TensorFlow Lite, OpenVINO stb.)

AI-modellek telepítése Edge-eszközökön

  • Lépések az AI-modellek telepítéséhez különféle hardvereken
  • Valós idejű adatfeldolgozás és következtetés az éleszközökön
  • A telepített modellek figyelése és kezelése
  • Gyakorlati példák és esettanulmányok

Gyakorlati AI-megoldások és projektek

  • AI-alkalmazások fejlesztése éleszközökhöz (pl. számítógépes látás, természetes nyelvi feldolgozás)
  • Gyakorlati projekt: Intelligens kamerarendszer kiépítése
  • Gyakorlati projekt: Hangfelismerés megvalósítása szélső eszközökön
  • Együttműködő csoportos projektek és valós forgatókönyvek

Teljesítményértékelés és -optimalizálás

  • A modell teljesítményének kiértékelési technikái éleszközökön
  • Eszközök az élvonalbeli AI-alkalmazások figyeléséhez és hibakereséséhez
  • Stratégiák az AI-modell teljesítményének optimalizálására
  • A várakozási idővel és az energiafogyasztással kapcsolatos kihívások kezelése

Integráció az IoT rendszerekkel

  • Élvonalbeli AI-megoldások összekapcsolása IoT-eszközökkel és érzékelőkkel
  • Communication protokollok és adatcsere-módszerek
  • Végpontok közötti Edge AI és IoT megoldás készítése
  • Gyakorlati integrációs példák

Etikai és biztonsági szempontok

  • Adatvédelem és biztonság biztosítása az Edge AI alkalmazásokban
  • Az elfogultság és az igazságosság kezelése a mesterséges intelligencia modellekben
  • Az előírásoknak és szabványoknak való megfelelés
  • A felelős mesterséges intelligencia bevezetésének legjobb gyakorlatai

Gyakorlati projektek és gyakorlatok

  • Átfogó Edge AI alkalmazás fejlesztése
  • Valós projektek és forgatókönyvek
  • Együttműködő csoportos gyakorlatok
  • Projektbemutatók és visszajelzések

Összegzés és a következő lépések

Követelmények

  • Az AI és a gépi tanulási koncepciók megértése
  • Programozási nyelvekkel kapcsolatos tapasztalat (Python ajánlott)
  • Az élszámítási fogalmak ismerete

Közönség

  • Fejlesztők
  • Adattudósok
  • Technika szerelmesei
 14 Órák

Résztvevők száma


Ár résztvevőnként

Vélemények (2)

Közelgő kurzusok

Rokon kategóriák