Bize Ulaşın

Eğitim İçeriği

Kenar Uç Yapay Zekâya ve Nano Banana'ya Giriş

  • Kenar uç yapay zekâ iş yüklerinin temel özellikleri
  • Nano Banana mimarisi ve yetenekleri
  • Kenar uç ile bulut dağıtım stratejilerinin karşılaştırılması

Kenar Uç Dağıtımı İçin Modellerin Hazırlanması

  • Model seçimi ve temel değerlendirme
  • Bağımlılık ve uyumluluk hususları
  • Daha fazla optimizasyon için modellerin dışa aktarılması

Model Sıkıştırma Teknikleri

  • Budama (pruning) stratejileri ve yapısal seyrelme
  • Ağırlık paylaşımı ve parametre azaltma
  • Sıkıştırma etkilerinin değerlendirilmesi

Kenar Uç Performansı İçin Kuantizasyon

  • Eğitim sonrası kuantizasyon yöntemleri
  • Kuantizasyon bilinciyle eğitme iş akışları
  • INT8, FP16 ve karma hassasiyet yaklaşımları

Nano Banana ile Hızlandırma

  • Nano Banana hızlandırıcılarının kullanımı
  • ONNX ve donanım arka uçlarının entegrasyonu
  • Hızlandırılmış çıkarımın performans testinin yapılması

Kenar Uç Cihazlara Dağıtım

  • Modellerin gömülü veya mobil uygulamalara entegrasyonu
  • Çalışma zamanı yapılandırması ve izleme
  • Dağıtım sorunlarının giderilmesi

Performans Profilleme ve Denge Analizi

  • Gecikme, bant genişliği ve termal kısıtlamalar
  • Doğruluk ile performans arasındaki dengeler
  • İteratif optimizasyon stratejileri

Kenar Uç Yapay Zekâ Sistemlerinin Bakımı İçin En İyi Uygulamalar

  • Sürüm yönetimi ve sürekli güncellemeler
  • Model geri alma ve uyumluluk yönetimi
  • Güvenlik ve bütünlük hususları

Özet ve Sonraki Adımlar

Kurs İçin Gerekli Önbilgiler

  • Makine öğrenimi iş akışlarına ilişkin anlayış
  • Python tabanlı model geliştirme deneyimi
  • Nöral ağ mimarileriyle aşinalık

Hedef Kitle

  • ML mühendisleri
  • Veri bilimcileri
  • MLOps uzmanları
 14 Saatler

Katılımcı Sayısı


Katılımcı başına fiyat

Danışanlarımızın Yorumları (1)

Yaklaşan Etkinlikler

İlgili Kategoriler