Knowledge Distillation für ein IoT-Türschloss mit Stimmerkennung
Übersicht
Worum es bei diesem Projekt geht.
Trainiere ein Schüler-Modell per Knowledge Distillation für ein IoT-Türschloss und deploye es auf ESP32. Du erhältst ein verifizierbares Zertifikat.
Das Briefing
Was Du tust und was Du zeigst.
Destilliere ein Sprecher-Verifikations-Cloud-Modell auf ein ESP32-S3-taugliches Schüler-Modell mit unter 50 ms Latenz und akzeptabler Equal Error Rate.
Earning criteria — what you'll demonstrate
- Knowledge Distillation mit Soft-Targets und Embedding-Loss umsetzen
- Edge-tauglichen Modell-Footprint planmäßig erreichen, nicht hoffen
- Sprecher-Verifikation mit der EER-Metrik korrekt bewerten
- Einen End-to-End-Edge-ML-Deploy auf Consumer-Hardware demonstrieren
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-Ingenieur:in
Knowledge Distillation auf Consumer-IoT-Hardware mit On-Device-Latenz-Beweis ist ein typisches Erstprojekt für ML-Ingenieurinnen in Smart-Home-Startups.
Dieses Projekt schärft
- knowledge-distillation
- edge-inference
- embedded-deployment
NLP-Ingenieur:in
Sprecher-Verifikation gehört zur Sprach-/NLP-Toolbox; das Projekt bereitet auf Sprach-Features in Consumer-Hardware-Teams vor.
Dieses Projekt schärft
- pytorch
- evaluation
- model-compression
KI-Ingenieur:in
Das vollständige Aufsetzen eines Edge-ML-Features bis zur funktionierenden Tür-Demo entspricht der Arbeit von KI-Ingenieurinnen in Hardware-Startups.
Dieses Projekt schärft
- embedded-deployment
- model-compression
- pytorch
Noch eine Sache