Aplicaciones TinyML para Dispositivos Embebidos

Machine learning ya no está confinado a enormes centros de datos; ahora está impulsando los dispositivos más pequeños en nuestra vida diaria. Este curso proporciona una base práctica en TinyML, permitiéndote construir funciones inteligentes para hardware con memoria y energía limitadas. Aprenderás a cerrar la brecha entre algoritmos complejos y sistemas embebidos restringidos. A través de explicaciones escritas y ejemplos basados en código, explorarás cómo procesar datos de sensores para tomar decisiones en tiempo real en el borde. Lo que aprenderás: - Comprender los principios fundamentales y las restricciones de la terminología de edge computing y TinyML - Implementar sistemas de detección de palabras clave para comandos de dispositivos activados por voz - Aplicar técnicas de 'visual wake word' para identificar objetos o personas específicas utilizando sensores de bajo consumo - Desarrollar modelos de reconocimiento de gestos utilizando datos de movimiento de acelerómetros y giroscopios - Optimizar modelos utilizando cuantización y poda para ajustarse a estrictos límites de hardware - Explorar flujos de trabajo modernos de MLOps para desplegar y monitorear modelos en dispositivos de borde remotos El curso comienza con conceptos fundamentales de IA embebida antes de profundizar en aplicaciones específicas para datos de audio, visión y movimiento. Seguirás un camino estructurado desde la comprensión de la entrada bruta del sensor hasta el despliegue de un modelo optimizado en un microcontrolador. Este curso está diseñado para principiantes interesados en IA y hardware, que no requieren experiencia previa en despliegue de machine learning. Comienza hoy tu viaje al mundo del edge computing inteligente.