Hands-on TinyML: Harness the power of Machine Learning on the edge devices
Книга представляет собой практическое руководство по TinyML — стремительно развивающемуся направлению машинного обучения, которое позволяет развертывать сложные модели машинного обучения и нейронные сети на маломощных периферийных устройствах и микроконтроллерах. Современные алгоритмы глубокого обучения требуют значительных вычислительных ресурсов и имеют большой размер модели, что обычно требует их размещения на выделенных серверах. TinyML решает эту проблему, позволяя сжимать модели для работы на устройствах с ограниченными ресурсами — всего несколько сотен килобайт оперативной памяти и несколько мегабайт флеш-памяти.
Автор, опытный специалист по data science с более чем 12-летним стажем, подробно рассматривает преимущества обработки данных непосредственно на edge-устройствах: минимальное энергопотребление, возможность работы в автономном режиме 24/7, снижение зависимости от пропускной способности сети и повышение конфиденциальности данных. Книга охватывает ключевые аспекты разработки и оптимизации моделей машинного обучения для ресурсоограниченных сред.
Издание предназначено для специалистов по машинному обучению, инженеров по встраиваемым системам и разработчиков, которые хотят освоить практические навыки развертывания ML-моделей на микроконтроллерах и других edge-устройствах. Книга содержит технические обзоры и рекомендации от практикующих экспертов в области машинного обучения и разработки продуктов.
