Cursusaanbod

Inleiding tot Edge AI en Nano Banana

  • Belangrijkste kenmerken van edge-AI-workloads
  • Architectuur en mogelijkheden van Nano Banana
  • Vergelijking van edge vs cloud deployment-strategieën

Voorbereiden van modellen voor edge-deployment

  • Modelselectie en basisevaluatie
  • Overwegingen bij afhankelijkheden en compatibiliteit
  • Exporteren van modellen voor verdere optimalisatie

Modelcompressietechnieken

  • Pruning-strategieën en structurele sparsiteit
  • Weegschematisering en parameterreductie
  • Evaluatie van compressie-impacten

Kwantisatie voor edge-prestaties

  • Post-training kwantisatiemethoden
  • Kwantisatie-aware training-workflows
  • INT8, FP16 en mixed-precision-benaderingen

Versnelling met Nano Banana

  • Gebruik maken van Nano Banana-versnellers
  • Integreren van ONNX en hardware-backends
  • Benchmarken van versnelde inferentie

Deployment naar edge-apparaten

  • Integreer modellen in ingeslagen of mobiele toepassingen
  • Runtime-configuratie en -monitoring
  • Oplossen van deploymentproblemen

Prestatieprofileren en compromisanalyse

  • Latentie, doorvoer en thermische beperkingen
  • Compromissen tussen nauwkeurigheid en prestaties
  • Iteratieve optimalisatiestrategieën

Best practices voor het onderhouden van edge-AI-systemen

  • Versiebeheer en continue updates
  • Modelrollback en compatibiliteitsbeheer
  • Beveiligings- en integriteitsoverwegingen

Samenvatting en volgende stappen

Vereisten

  • Inzicht in machine learning workflows
  • Ervaring met Python-gebaseerde modelontwikkeling
  • Vertrouwdheid met neurale netwerkarchitecturen

Doelgroep

  • ML-ingenieurs
  • Data scientists
  • MLOps-praktijkers
 14 Uren

Aantal deelnemers


Prijs per deelnemer

Getuigenissen (1)

Voorlopige Aankomende Cursussen

Gerelateerde categorieën