Übersicht
Worum es bei diesem Projekt geht.
Du optimierst Accuracy und Edge-TPU-Latenz per NAS, trainierst die beste Architektur und erhältst ein verifizierbares Zertifikat.
Das Briefing
Was Du tust und was Du zeigst.
Finde per Hardware-aware NAS eine Wildtier-Klassifikator-Architektur, die auf der Coral-Edge-TPU akkurat klassifiziert und das Solar-Energie-Budget einer Alpen-Camera-Trap einhält.
Earning criteria — what you'll demonstrate
- Eine multi-objektive NAS unter Accuracy- und Latenz-Constraint aufsetzen
- Hardware-Messungen direkt in den Such-Loop zurückfließen lassen
- Energieverbrauch auf realer Edge-Hardware planmäßig profilieren
- Eine NAS-Studie für eine NGO-Roadmap aufbereiten, nicht nur für Forschung
Studienpassung
Wo dies in Dein Studium passt.
Schärft dieselben Fähigkeiten, die Dein Studium von Dir erwartet.
Edge ML and On-Device Machine Learning
Master · Ai Ml
Fit score: 1
Fähigkeiten
Fähigkeiten, die Du unter Beweis stellst.
Jede taucht auf Deinem verifizierten Zertifikat auf.
Karrieren
Berufe, auf die dies Dich vorbereitet.
Echte Berufsbezeichnungen. Echte Skill-Brücken. Wähle die, die Deinem Werdegang am nächsten kommt.
Karrierewege, die das aufbaut
Kanonische RollenML-Forscher:in
Hardware-aware NAS mit echter Energie-Messung ist genuine Forschungsarbeit; das Projekt ist ein starkes Portfolio-Stück für Bewerbungen an Edge-AI-Forschungsgruppen.
Dieses Projekt schärft
- neural-architecture-search
- hardware-aware-design
- evaluation
ML-Ingenieur:in
Eine Architektursuche, die in eine reproduzierbare TFLite-Edge-TPU-Build mündet, ist nah an dem, was ML-Ingenieurinnen in Edge-AI-Produktteams täglich tun.
Dieses Projekt schärft
- pytorch
- edge-inference
- energy-profiling
Forschungswissenschaftler:in
Multi-objektive Optimierung mit harten Hardware-Constraints und ehrlicher Pareto-Diskussion entspricht der Erstprojekt-Erwartung an Junior-Forschungswissenschaftlerinnen im Bereich Edge-AI.
Dieses Projekt schärft
- neural-architecture-search
- evaluation
- hardware-aware-design
Noch eine Sache