Desarrollo avanzado de software: Automatización y DevOps
27 abril, 2020

Aprendizaje de máquina para sistemas embebidos

El aprendizaje de máquina o aprendizaje automático brinda una herramienta poderosa para construir modelos que usan datos para hacer predicciones o clasificaciones. En los sistemas embebidos, que generalmente hacen uso de procesadores que están limitados por ciclos de procesamiento, memoria, tamaño, peso, consumo de energía y costo. El aprendizaje automático puede ser difícil de implementar, ya que estos entornos no pueden utilizar las mismas herramientas que funcionan en entornos de servidores en la nube, o modernas máquinas de escritorio con poderosas GPU.

Este curso de aprendizaje de máquina para sistemas embebidos incluye información sobre cómo hacer que el aprendizaje automático funcione en entornos restringidos, cuando los datos que se monitorean provienen de sensores o de cámaras, y su implementación debe hacerse en sitios con limitaciones propias de los sistemas embebidos.

Objetivo general

Brindar al asistente (Estudiante) las herramientas suficientes para que el mismo pueda implementar o acoplarse a equipos de desarrollo de sistemas embebidos, que tengan como objetivo la adaptación de técnicas de aprendizaje de máquina.

Objetivos específicos
  • Apropiar al estudiante de los métodos y técnicas que es posible implementar en sistemas embebidos modernos.
  • Familiarizar al estudiante con las herramientas de diseño y evaluación de diferentes métodos de aprendizaje de máquina.
  • Implementar varios métodos de aprendizaje de máquina en sistemas embebidos, siguiendo una metodología que permita un trabajo colaborativo.
Dirigido

Personas que quieran mejorar sus habilidades de implementación de sistemas embebidos, o ampliar sus opciones en la implementación de técnicas de aprendizaje de máquina en sistemas embebidos, Ingenieros Electrónicos, Eléctricos, mecatrónicos, de sistemas o afines.

Metodología

Este curso será llevado a cabo de manera teórico-práctica, al inicio del curso se darán las herramientas teóricas necesarias de aprendizaje de máquina necesarias para entender los conceptos y las limitantes que implica el tener un sistema de prestaciones de computo y almacenamiento reducidas. Se llevarán a cabo varios ejemplos de implementación de implementación de métodos de aprendizaje de máquina.

Contenidos
  • Módulo 1. Introducción al aprendizaje de máquina en sistemas embebidos, aplicaciones actuales y futuro de los sistemas embebidos.
  • Módulo 2. Técnicas de Aprendizaje de máquina aplicables a sistemas embebidos.
  • Módulo 3. Ejemplos prácticos de Técnicas de Aprendizaje de máquina aplicables a sistemas embebidos.
  • Módulo 4. Ejemplo práctico de uso y manejo de dependencias, contenedores, manejo de versiones. Manejo y despliegé de solución a un entorno de producción.
  • Módulo 5. Técnicas de detección de objetos en video aplicables a plataformas embebidas.
Perfiles
    Dr. Mario A. Góngora:

    El Dr. Mario Gongora es profesor asociado en la Facultad de Ciencias de la Computación e Informática de la Universidad de Montfort (DMU), es el líder de la facultad empresarial y un miembro activo del Instituto de Inteligencia Artificial de la Facultad de Informática, Ingeniería y Medios. Es licenciado en Ingeniería Electrónica y obtuvo su Maestría y Doctorado en la Universidad de Warwick (Reino Unido). Es un investigador líder en el área de inteligencia computacional aplicada. Su investigación comenzó en el campo de la robótica y el aprendizaje automático, y actualmente se centra en la aplicación de técnicas de Inteligencia Artificial en los campos de minería de datos, conjuntos de datos grandes y complejos y modelado de fenómenos naturales, incluida la identificación, simulación y optimización. Actividades académicas adicionales incluyen enseñanza y consultoría, llevando la experiencia de la Universidad a la Industria, en la que ha participado activamente durante la mayor parte de su carrera académica, y continúa hasta la fecha. Sus principales actividades de enseñanza incluyen módulos como Inteligencia Artificial, Robótica, Programación y Tutoría Personal y módulos y Programas líderes. Debido a su experiencia en colaboraciones con la industria y la explotación de los resultados de la investigación, impartió las sesiones de Propiedad Intelectual en el programa de capacitación para nuevos investigadores en la Universidad durante muchos años.

    John Alberto Betnancourt:

    Ingeniero eléctrico con énfasis en visión por computadora, robótica y aprendizaje automático. Trabaja en software y soluciones de IA (Inteligencia Artificial). Sus áreas de interés son robots móviles, aéreos y subacuáticos, arquitecturas de control para navegación y mapeo, robótica cooperativa, sistemas de visión, fusión de sensores, aprendizaje automático y procesamiento de imágenes.

Material Sugerido
  • Una raspberry pi {2, 3 o 4}
  • Memoria SD
  • Adaptador AC-DC 5V.
  • Cable ethernet.

Ficha Técnica

  • Modalidad:
    Online
  • Fecha inicio:
    16| 06 | 2020
  • Fecha fin:
    26 | 06 | 2020
  • Duración:
    32 horas
  • Horario:
    Lunes a Viernes de 8:00 a.m a 12:00 m
  • Inversión:
    $ 769.500 COP (*190 USD calculada con una tasa de cambio de 4.050)

Descuentos

4% por pronto pago en curso o diplomados, cancelando 30 días calendario previos a la fecha de inicio (acumulable con otros descuentos)

10% egresados, afiliados a Cafam

15% para grupos de 3 a 5 participantes en el mismo curso o diplomado

20% para grupos de 6 personas en adelante, y en el tercer curso o diplomado realizado consecutivamente

Forma de pago: Efectivo, cheque de gerencia, tarjeta de crédito (recibimos todas las tarjetas, cuenta de cobro).