Visión general
De qué trata este proyecto.
Aplica distillation, pruning y cuantización INT8 a un modelo de visión industrial. Optimiza su velocidad y obtén un certificado verificable.
El Briefing
Lo que harás y lo que demostrarás.
Comprimir un detector de defectos para edge manteniendo F1 dentro de margen y al menos duplicando el throughput en el dispositivo.
Earning criteria — what you'll demonstrate
- Aplicar destilación de conocimiento con loss combinada de hard/soft labels y features intermedios
- Realizar pruning estructurado preservando la estructura del grafo para hardware real
- Cuantizar a INT8 con calibración representativa y minimizar la degradación de precisión
- Validar despliegues edge con presupuestos de latencia explícitos
Encaje académico
Dónde encaja esto en tus estudios.
Afina las mismas habilidades que tu titulación espera de ti.
Advanced Deep Learning
Master · Ai Ml
Fit score: 1
Habilidades
Habilidades que demostrarás.
Cada una aparece en tu credencial verificada.
Carreras
Roles para los que esto te prepara.
Títulos reales. Puentes de habilidades reales. Elige el que más se acerque a tu trayectoria.
Trayectorias profesionales que esto construye
Roles canónicosMachine Learning Engineer
Distillation, pruning y cuantización con presupuesto de latencia explícito en hardware real es el corazón del rol MLE en cualquier equipo de edge AI.
Este proyecto afina
- knowledge-distillation
- quantization
- edge-deployment
MLOps Engineer
Empaquetar un modelo edge con un banco de pruebas reproducible y un runbook de despliegue es trabajo MLOps puro en operaciones industriales.
Este proyecto afina
- edge-deployment
- quantization
- tensorrt
AI Engineer
Equilibrar precisión, latencia y coste sobre hardware concreto es el trade-off que define gran parte del trabajo AI Engineer en industria.
Este proyecto afina
- model-pruning
- tensorrt
- pytorch