Fundamentos de Machine Learning Embebido y TinyML

El machine learning ya no se limita a servidores potentes; se está moviendo al borde mismo de nuestro mundo físico a través de dispositivos de bajo consumo. Este curso proporciona una introducción completa al campo de TinyML, permitiéndote llevar inteligencia a hardware que opera con batería durante meses o incluso años. Aprenderás a cerrar la brecha entre la ciencia de datos y los sistemas embebidos para crear aplicaciones receptivas, enfocadas en la privacidad y eficientes. Al final de este curso, comprenderás el ciclo de vida completo de un proyecto de machine learning embebido, desde la recolección de datos hasta la inferencia en el dispositivo. Lo que aprenderás: - Comprender los principios fundamentales de TinyML y las arquitecturas de edge computing. - Aprender a recolectar y preprocesar datos de sensores específicamente para entornos embebidos. - Practicar el entrenamiento de redes neuronales optimizadas para microcontroladores con recursos limitados. - Aplicar técnicas de optimización de modelos como cuantización y poda para minimizar el uso de memoria. - Explorar frameworks modernos como TensorFlow Lite for Microcontrollers para el despliegue en el borde. - Comprender cómo implementar casos de uso del mundo real como la detección de palabras clave y el reconocimiento de gestos. El curso comienza con la terminología esencial y una visión general del hardware embebido antes de guiarte a través de pipelines de datos, optimización de modelos y estrategias de despliegue. Este programa está diseñado para principiantes interesados en electrónica o software que deseen explorar la intersección de la IA y el hardware, sin necesidad de experiencia previa en machine learning. Comienza hoy tu viaje al mundo de los sistemas embebidos inteligentes.