Terima kasih telah mengirimkan pertanyaan Anda! Salah satu anggota tim kami akan segera menghubungi Anda.
Terima kasih telah mengirimkan pemesanan Anda! Salah satu anggota tim kami akan segera menghubungi Anda.
Kerangka Materi
Pendahuluan tentang Optimasi Edge AI
- Pandangan umum tentang edge AI dan tantangannya
- Pentingnya optimasi model untuk perangkat edge
- Studi kasus model AI yang sudah dioptimasi dalam aplikasi edge
Teknik Kompresi Model
- Pendahuluan tentang kompresi model
- Teknik untuk mengurangi ukuran model
- Latihan praktis untuk kompresi model
Metode Kuantisasi
- Pandangan umum tentang kuantisasi dan manfaatnya
- Jenis-jenis kuantisasi (setelah pelatihan, pelatihan sadar kuantisasi)
- Latihan praktis untuk kuantisasi model
Pemangkasan dan Teknik Optimasi Lainnya
- Pendahuluan tentang pemangkasan
- Metode untuk memangkas model AI
- Teknik optimasi lainnya (misalnya, distilasi pengetahuan)
- Latihan praktis untuk pemangkasan dan optimasi model
Mendeploy Model yang Sudah Dioptimasi pada Perangkat Edge
- Persiapan lingkungan perangkat edge
- Mendeploy dan menguji model yang sudah dioptimasi
- Memecahkan masalah dalam pengdeployment
- Latihan praktis untuk pengdeployment model
Alat dan Kerangka Kerja untuk Optimasi
- Pandangan umum tentang alat dan kerangka kerja (misalnya, TensorFlow Lite, ONNX)
- Menggunakan TensorFlow Lite untuk optimasi model
- Latihan praktis dengan alat optimasi
Aplikasi dan Studi Kasus Dunia Nyata
- Tinjauan proyek optimasi Edge AI yang berhasil
- Pembahasan kasus penggunaan berdasarkan industri
- Proyek praktis untuk membangun dan mengoptimasi aplikasi dunia nyata
Ringkasan dan Langkah Selanjutnya
Persyaratan
- Pengertian konsep AI dan machine learning
- Pengalaman dalam pengembangan model AI
- Keterampilan pemrograman dasar (Python disarankan)
Peserta
- Pengembang AI
- Insinyur machine learning
- Arsitek sistem
14 Jam
Testimoni (2)
the ML ecosystem not only MLFlow but Optuna, hyperops, docker , docker-compose
Guillaume GAUTIER - OLEA MEDICAL
Kursus - MLflow
I enjoyed participating in the Kubeflow training, which was held remotely. This training allowed me to consolidate my knowledge for AWS services, K8s, all the devOps tools around Kubeflow which are the necessary bases to properly tackle the subject. I wanted to thank Malawski Marcin for his patience and professionalism for training and advice on best practices. Malawski approaches the subject from different angles, different deployment tools Ansible, EKS kubectl, Terraform. Now I am definitely convinced that I am going into the right field of application.
