Fundamentos de TinyML: Despliegue de Modelos en Microcontroladores

Llevar el machine learning a los dispositivos de borde abre un mundo de aplicaciones inteligentes de bajo consumo. A medida que los sistemas embebidos se vuelven más capaces, la habilidad de ejecutar IA localmente sin dependencia de la nube es una habilidad esencial para los desarrolladores modernos. Este curso lo guía a través del proceso de tomar modelos de machine learning y adaptarlos a microcontroladores pequeños y con recursos limitados. A través de explicaciones escritas claras y fragmentos de código, aprenderá a adaptar modelos estándar, aplicar técnicas modernas de optimización y ejecutarlos en hardware embebido utilizando TensorFlow Lite. Lo que aprenderá: • Comprender los conceptos centrales de TinyML, edge computing y las restricciones del hardware embebido. • Preparar y convertir modelos de machine learning para su despliegue en el borde utilizando TensorFlow Lite. • Aplicar técnicas modernas de cuantización de modelos para reducir la huella de memoria y mejorar la eficiencia energética. • Escribir código C++ para cargar, configurar y ejecutar modelos dentro de entornos de microcontroladores. • Procesar datos básicos de sensores localmente para inferencia en tiempo real sin conectividad a internet. • Explorar conceptos fundamentales de MLOps en el borde para gestionar ciclos de vida de machine learning embebido. Comenzará con la terminología clave y las definiciones fundamentales de IA en el borde antes de pasar a ejercicios prácticos de codificación basados en texto que lo guiarán paso a paso a través del proceso de conversión y despliegue de modelos. Diseñado para principiantes con conocimientos básicos de programación que desean explorar el machine learning embebido, este curso no requiere experiencia previa en despliegue de hardware. Comience a leer hoy mismo para construir la base de su primera aplicación de microcontrolador inteligente.