Praktisches TinyML: Nutzen Sie die Leistungsfähigkeit von maschinellem Lernen auf Edge-Geräten
A

Praktisches TinyML: Nutzen Sie die Leistungsfähigkeit von maschinellem Lernen auf Edge-Geräten

Mikrocontroller
TinyML machine learning edge computing microcontrollers embedded systems model optimization deep learning
Autor
Rohan Banerjee
Verlag
BPB Online
Jahr
2023
Sprache
Englisch
42
Dieses Buch bewerten

Zum Lesen des Buches, Anmelden / Registrieren

Vorschau des Fragments

Ähnliche Bücher

Praktisches Maschinenlernen mit C++: End-to-End-Machine-Learning- und Deep-Learning-Pipelines erstellen, trainieren und bereitstellen

Praktisches Maschinenlernen mit C++: End-to-End-Machine-Learning- und Deep-Learning-Pipelines erstellen, trainieren und bereitstellen

Kirill Kolodiazhnyi

Adaptive Machine-Learning-Algorithmen mit Python: Lösen von Datenanalyse- und Machine-Learning-Problemen auf Edge-Geräten

Adaptive Machine-Learning-Algorithmen mit Python: Lösen von Datenanalyse- und Machine-Learning-Problemen auf Edge-Geräten

Chanchal Chatterjee

Pro Machine Learning Algorithms: Ein praktischer Ansatz zur Implementierung von Algorithmen in Python und R

Pro Machine Learning Algorithms: Ein praktischer Ansatz zur Implementierung von Algorithmen in Python und R

V Kishore Ayyadevara

Praktisches Maschinelles Lernen mit Scikit-Learn und PyTorch: Konzepte, Werkzeuge und Techniken zum Aufbau intelligenter Systeme

Praktisches Maschinelles Lernen mit Scikit-Learn und PyTorch: Konzepte, Werkzeuge und Techniken zum Aufbau intelligenter Systeme

Aurélien Géron

Praktisches Maschinelles Lernen mit Scikit-Learn, Keras & TensorFlow: Konzepte, Tools und Techniken zum Aufbau intelligenter Systeme

Praktisches Maschinelles Lernen mit Scikit-Learn, Keras & TensorFlow: Konzepte, Tools und Techniken zum Aufbau intelligenter Systeme

Aurélien Géron

Maschinelles Lernen: Theorie und Anwendungen – Praktische Anwendungsfälle mit Python auf klassischen und Quantencomputern

Maschinelles Lernen: Theorie und Anwendungen – Praktische Anwendungsfälle mit Python auf klassischen und Quantencomputern

Xavier Vasques

Maschinelles Lernen für Ingenieure: Prinzipien und Algorithmen durch Signalverarbeitung und Informationstheorie

Maschinelles Lernen für Ingenieure: Prinzipien und Algorithmen durch Signalverarbeitung und Informationstheorie

Osvaldo Simeone

Machine Learning Platform Engineering: Bau einer internen Entwicklerplattform für ML- und KI-Systeme

Machine Learning Platform Engineering: Bau einer internen Entwicklerplattform für ML- und KI-Systeme

Benjamin Tan Wei Hao, Shanoop Padmanabhan, Varun Mallya

KI und ML für Programmierer in PyTorch: Ein Programmierleitfaden zu generativer KI und maschinellem Lernen

KI und ML für Programmierer in PyTorch: Ein Programmierleitfaden zu generativer KI und maschinellem Lernen

Laurence Moroney

Maschinelles Lernen in der Praxis: Von der Idee zum Produkt

Maschinelles Lernen in der Praxis: Von der Idee zum Produkt

Emmanuel Ameisen