Lépjen kapcsolatba velünk

Kurzusleírás

Bevezetés az Edge AI-ba és a Nano Banana-ba

  • Edge-AI munkaterhelések fő jellemzői
  • Nano Banana architektúrája és képességei
  • Edge és felhő-alapú üzemeltetés stratégiák összehasonlítása

Modellek előkészítése edge-üzemeltetésre

  • Modellválasztás és alapértelmezett kiértékelés
  • Függőségek és kompatibilitás szempontok
  • Modellek exportálása további optimalizáláshoz

Modelltömörítés technikák

  • Vágási stratégiák (pruning) és strukturális ritkáság
  • Súlymegosztás (weight sharing) és paramétercsökkentés
  • Tömörítési hatások értékelése

Kvantizálás edge-teljesítmény érdekében

  • Edzés utáni kvantizálási módszerek
  • Kvantizálástudatos edzés (quantization-aware training) munkafolyamatok
  • INT8, FP16 és vegyes pontosságú (mixed-precision) megközelítések

Gyorsítás Nano Bananával

  • Nano Banana gyorsítókártyák használata
  • ONNX és hardver-hátlékek integrálása
  • Gyorsított inferencia benchmarkolása

Üzembe helyezés edge-eszközökre

  • Modellek integrálása beágyazott vagy mobil alkalmazásokba
  • Runtime (futásidős) konfigurálás és monitoring
  • Üzemeltetési problémák hibakeresése

Teljesítmény-profilolás és kompromisszum-elemzés

  • Késleltetés, áteresztőképesség és termikus korlátok
  • Pontosság és teljesítmény közötti kompromisszumok
  • Iteratív optimalizálási stratégiák

Legjobb gyakorlatok edge-AI rendszerek karbantartásához

  • Versiónyilvántartás és folyamatos frissítések
  • Modell visszavonás (rollback) és kompatibilitás menedzsment
  • Biztonsági és integritási szempontok

Összefoglaló és következő lépések

Követelmények

  • Műszaki tanulás (machine learning) munkafolyamatok ismerete
  • Tapasztalat Python-alapú modellfejlesztésben
  • Neurális hálózat architektúrák ismerete

Célcsoport

  • ML mérnökök
  • Adattudósok
  • MLOps gyakorlatlábok
 14 Órák

Résztvevők száma


Ár per résztvevő

Vélemények (1)

Közelgő kurzusok

Rokon kategóriák