Παρουσίαση/Προβολή

Εισαγωγή στην Ενσωματωμένη Μηχανική Μάθηση

(4773) - ΕΜΜΑΝΟΥΗΛ ΓΑΛΕΤΑΚΗΣ, ΠΑΡΑΣΚΕΥΑΣ ΚΙΤΣΟΣ

Περιγραφή Μαθήματος

Το πρόγραμμα παρέχει μια ολοκληρωμένη εισαγωγή στην εφαρμοσμένη μηχανική μάθηση σε ενσωματωμένα συστήματα. Καλύπτει τη θεωρία πίσω τόσο από τις εφαρμογές και αλγορίθμους μηχανικής μάθησης όσο και τη χρήση εργαλείων (Frameworks) για την ανάπτυξη, βελτιστοποίηση και εκτέλεση αυτών σε ενσωματωμένες συσκευές περιορισμένων πόρων όπως μικροϋπολογιστές και συσκευές προγραμματιζόμενης λογικής(FPGA). Οι εκπαιδευόμενοι θα αποκτήσουν πρακτική εμπειρία χρησιμοποιώντας πλατφόρμες λογισμικού όπως TensorFlow, Edge Impule κ.α και υλικού Arduino Tiny Machine Learning Kit, Terasic DE10-Lite FPGA Development Board για την ανάπτυξη, εκτέλεση και ανάλυση των σύγχρονων αλγορίθμων μηχανικής μάθησης (MobileNet, TinyYOLO, FOMO κ.α

Ημερομηνία δημιουργίας

προχθές

Σελίδα μαθήματος

Περίγραμμα
Περιεχόμενο μαθήματος

Το πρόγραμμα καλύπτει τις παρακάτω θεματικές ενότητες:
1. Εισαγωγή στην Ενσωματωμένη Μηχανική Μάθηση
- Μηχανική μάθηση: Ορισμός, σημασία, σύγκριση με παραδοσιακή ΑΙ, προεπισκόπηση απαιτήσεων σε υλικό και λογισμικό.
- Εφαρμογές μηχανικής μάθησης: Κατανόηση των εφαρμογών και της σύνδεσης τους με τη μηχανική μάθηση (keyword spotting, object detection, anomaly detection για προληπτική συντήρηση κ.α.).
- Εργαστήριο 1: Πρακτική επίδειξη εφαρμογής μηχανικής μάθησης (keyword spotting, object detection κ.α.) , με χρήση της πλατφόρμας Arduino.
1. Βασικά θέματα Ενσωματωμένης Μηχανικής Μάθησης
- Πλατφόρμες ανάπτυξης: Παρουσίαση απαραίτητων εργαλείων για την αποτελεσματική ανάπτυξη και έλεγχο απόδοσης εφαρμογών μηχανικής μάθησης σε ενσωματωμένες συσκευές (TensorFlow, Edge Impulse, TinyMLPerf κ.α.).
- Μηχανική δεδομένων(data engineering): Συλλογή και επεξεργασία δεδομένων – βάσεις δεδομένων (data cleaning, augmentation κ.α.).
- Αλγόριθμοι ενσωματωμένης μηχανικής μάθησης: Αλγοριθμικές βελτιστοποιήσεις για συσκευές με περιορισμένους πόρους και δημοφιλής τύποι δικτύων. (MobileNets, TinyYOLO, FOMO κ.α.).
- Εργαστήριο 2: Ανάπτυξη εφαρμογής μηχανικής μάθησης (keyword spotting, object detection κ.α.) , με χρήση της πλατφόρμας Arduino.
- Εργαστήριο 3: Ανάπτυξη εφαρμογής μηχανικής μάθησης (keyword spotting, object detection κ.α.) , με χρήση της πλατφόρμας DE10Lite.
1. Προχωρημένα θέματα Ενσωματωμένης Μηχανικής Μάθησης
- Πλατφόρμες ανάλυσης απόδοσης: Αξιολόγηση της απόδοσης του μοντέλου/αλγορίθμου μηχανικής μάθησης(Benchmarks & Metrics).
- Βελτιστοποιήσεις λογισμικού: Algorithms for inference with low-precision weights and activations (Quantization, Pruning κ.α.).
- Βελτιστοποιήσεις υλικού: Ανάπτυξη υλικού για εφαρμογές μηχανικής μάθησης, προκλήσεις και ευκαιρίες. (SIMD, Vector extensions, Accelerators κ.α.).
- Εργαστήριο 4: Βελτιστοποίηση εφαρμογής μηχανικής μάθησης (εργαστήριο 2) , με χρήση βελτιστοποιήσεων λογισμικού και της πλατφόρμας Arduino.
Εργαστήριο 5: Βελτιστοποίηση εφαρμογής μηχανικής μάθησης (εργαστήριο 3) , με χρήση βελτιστοποιήσεων υλικού και της πλατφόρμας DE10Lite.