Eğitim İçeriği

Kenar AI ve Nano Banana'a Giriş

  • Kenar-AI iş yüklerinin temel özellikleri
  • Nano Banana mimarisi ve yetenekleri
  • Kenar ve bulut dağıtım stratejilerini karşılaştırma

Modelleri Kenar Dağıtım için Hazırlama

  • Model seçimi ve temel değerlendirme
  • Bağımlılık ve uyumluluk dikkat edilmesi gereken noktaları
  • Daha fazla optimizasyon için modellerin dışa aktarılması

Model Sıkıştırma Teknikleri

  • Pruning stratejileri ve yapısal seyreltme
  • Ağırlık paylaşımı ve parametre azaltımı
  • Sıkıştırma etkilerini değerlendirme

Kenar Performansı için Kuantizasyon

  • Eğitim sonrası kuantizasyon yöntemleri
  • Kuantizasyon farkındalıklı eğitim iş akışları
  • INT8, FP16 ve karışık hassasiyet yaklaşımları

Nano Banana ile Hızlandırma

  • Nano Banana hızlandırıcılarını kullanma
  • ONNX ve donanım arka uçlarının entegrasyonu
  • Hızlandırılmış çıkarımın performans ölçümü

Modelleri Kenar Cihazlara Dağıtma

  • Modellerin gömülü veya mobil uygulamalara entegrasyonu
  • Çalışma zamanı yapılandırma ve izleme
  • Dağıtım sorunlarını giderme

Performans Profili Oluşturma ve Dengelemeler Analizi

  • Gecikme, aktarım hızı ve termal kısıtlamalar
  • Doğruluk vs performans dengelemeleri
  • Iteratif optimizasyon stratejileri

Kenar-AI Sistemlerinin Bakımı için En İyi Uygulamalar

  • Versiyonlama ve sürekli güncellemeler
  • Model geri alma ve uyumluluk yönetimi
  • Güvenlik ve bütünlük dikkat edilmesi gereken noktaları

Özeti ve Son Adımlar

Kurs İçin Gerekli Önbilgiler

  • Makine öğrenimi iş akışları hakkında bilgi
  • Python tabanlı model geliştirme deneyimi
  • Sinir ağı mimarileriyle aşinalık

Hedef Kitle

  • ML mühendisleri
  • Veri bilimcileri
  • MLOps uygulayıcıları
 14 Saat

Katılımcı Sayısı


Kişi Başına Fiyat

Danışanlarımızın Yorumları (1)

Yaklaşan Etkinlikler

İlgili Kategoriler