Curso de Introducción a TinyML

Esta formación en vivo dirigida por un instructor en los Estados Unidos (en línea o presencial) está destinada a ingenieros de sistemas embebidos de nivel intermedio y desarrolladores de IA que desean implementar modelos de aprendizaje automático en microcontroladores utilizando TensorFlow Lite y Edge Impulse.

Al finalizar esta formación, los participantes podrán:

• Comprender los fundamentos de TinyML y sus beneficios para las aplicaciones de IA en la frontera.
• Configurar un entorno de desarrollo para proyectos de TinyML.
• Entrenar, optimizar e implementar modelos de IA en microcontroladores de bajo consumo.
• Utilizar TensorFlow Lite y Edge Impulse para implementar aplicaciones reales de TinyML.
• Optimizar modelos de IA para eficiencia energética y restricciones de memoria.

Esta formación en vivo dirigida por un instructor en los Estados Unidos (en línea o presencial) está destinada a ingenieros de sistemas embebidos de nivel intermedio, desarrolladores de IoT y investigadores de IA que desean implementar técnicas TinyML para aplicaciones con IA en hardware eficiente energéticamente.

Al finalizar esta formación, los participantes serán capaces de:

• Comprender los fundamentos de TinyML y AI en la red periférica (edge).
• Implementar modelos de IA livianos en microcontroladores.
• Optimizar la inferencia de IA para un bajo consumo de energía.
• Integrar TinyML con aplicaciones IoT del mundo real.

Este entrenamiento en vivo dirigido por instructores en los Estados Unidos (en línea o en el lugar) está dirigido a desarrolladores de IoT de nivel intermedio, ingenieros embebidos y practicantes de IA que desean implementar TinyML para mantenimiento predictivo, detección de anomalías y aplicaciones de sensores inteligentes.

Al final de esta capacitación, los participantes podrán:

• Entender los fundamentos de TinyML y sus aplicaciones en IoT.
• Configurar un entorno de desarrollo de TinyML para proyectos de IoT.
• Desarrollar y desplegar modelos de ML en microcontroladores de bajo consumo.
• Implementar mantenimiento predictivo y detección de anomalías utilizando TinyML.
• Optimizar modelos TinyML para un uso eficiente de energía y memoria.