Edge AI y TinyML para Microcontroladores

En un mundo de dispositivos conectados, enviar todos los datos de los sensores a la nube a menudo es lento, costoso y consume mucha energía. Ejecutar modelos de machine learning directamente en hardware pequeño, conocido como Edge AI o TinyML, permite una toma de decisiones instantánea, privada y eficiente justo donde se recopilan los datos. Este curso te guiará a través de todo el ciclo de vida del machine learning embebido, desde la comprensión de las restricciones de hardware hasta el despliegue de modelos optimizados. Aprenderás a adaptar flujos de trabajo estándar de machine learning para microcontroladores, asegurando que tus modelos se ejecuten eficientemente dentro de severos límites de memoria y procesamiento. Lo que aprenderás: - Comprender los conceptos centrales de Edge AI, TinyML y las restricciones de hardware de los microcontroladores - Procesar y preparar datos de sensores específicamente para entornos con recursos limitados - Optimizar redes neuronales utilizando cuantización y poda para minimizar el tamaño de la memoria - Desplegar modelos de machine learning en microcontroladores utilizando runtimes ligeros de C/C++ - Evaluar el rendimiento del modelo, la latencia y el consumo de energía en hardware de borde Comenzando con definiciones fundamentales de sistemas embebidos y machine learning, este curso basado en texto te llevará paso a paso a través de pipelines de datos, conceptos de entrenamiento de modelos, estrategias de optimización y escenarios de despliegue en el mundo real. Este curso está diseñado para principiantes, desarrolladores de software y entusiastas del hardware que desean explorar la intersección de la IA y los sistemas embebidos, sin requerir experiencia previa en machine learning. Comienza a leer hoy mismo y aprende a construir aplicaciones embebidas inteligentes y de bajo consumo.