edX, HarvardX y la plataforma de aprendizaje automático de código abierto TensorFlow de Google anunciaron ayer el programa TinyML Professional Certificate , programado para ser lanzado en otoño de 2020.
Tiny Machine Learning (TinyML) es un campo emergente en la intersección de aplicaciones, algoritmos, hardware y software de aprendizaje automático integrado (ML). Requiere experiencia en software y hardware integrado.
TinyML se encuentra en la intersección de aplicaciones, algoritmos, hardware y software de ML incorporado. El objetivo es permitir la inferencia de baja latencia en dispositivos periféricos en dispositivos que normalmente consumen solo unos pocos milivatios de energía de la batería.
En comparación, una CPU de escritorio consumiría alrededor de 100 vatios (¡miles de veces más!). Este consumo de energía extremadamente reducido permite que los dispositivos TinyML funcionen desconectados con baterías y duren semanas, meses y posiblemente incluso años, todo mientras ejecutan aplicaciones ML siempre activas en el borde / punto final.
El curso de HarvardX está diseñado para ser ampliamente accesible para todos. Aprenderá qué es TinyML, cómo puede servir en el mundo y las posibilidades de desbloquear su brillante futuro.
El curso comienza con los conceptos básicos, que incluyen cómo recopilar datos, cómo entrenar modelos básicos de ML pequeños y cómo implementarlos utilizando TensorFlow Lite para microcontroladores .
Este programa, el primero en su tipo , enfatizará la experiencia práctica con el entrenamiento y la implementación de ML en pequeños dispositivos basados en microcontroladores.
El curso presenta proyectos basados en un kit de programa TinyML que incluye un microcontrolador Arm Cortex-M4 con sensores integrados, una cámara y una placa con cables, suficiente para desbloquear capacidades como la detección de imágenes, sonidos y gestos.
El curso también incluirá estudios de casos de aplicaciones del mundo real, guiados por líderes de la industria, que examinan los desafíos que enfrentan las implementaciones de TinyML en el mundo real.
Los estudiantes serán capaces de construir un modelo TensorFlow usando Python en Colab , después convertirlo a ejecutar en C en un microcontrolador.
El curso mostrará cómo optimizar los modelos ML para dispositivos con recursos limitados (por ejemplo, aquellos con menos de 100 KB de almacenamiento). Además, incluirá varios estudios de casos que examinan los desafíos de implementar TinyML «en la naturaleza».