Applied Edge AI: Deep Learning Outside of the Cloud

Compared to Cloud Computing, which is centralized in computing and data storage, Edge Computing brings computation and data storage closer to data sources.

Edge AI combines edge computing and AI technology and has become a rapidly developing field in the past few years. Edge AI enables AI computing directly on the edge or client device, enhancing power efficiency, supporting low latency, and solving data privacy problems.

Therefore, what improvements need to be made to traditional deep learning algorithms in Edge AI scenarios? This course teaches you about deep model compression and optimization techniques, decentralized and collaborative deep learning approaches and algorithms, software, and hardware for Edge AI.

6. September 2022 - 25. Oktober 2022
Kurssprache: English
Advanced, Big Data and AI, Cloud and Operating Systems

Kursinformationen

What will you learn?

  • Summary of deep learning basics relevant for this course
  • Deep model compression and optimization techniques
  • Decentralized and collaborative deep learning
  • Algorithms, software and hardware for Edge AI

Is this course for me?

Prerequisites

  • High school math is required (pre-course)
  • Basics in Machine Learning and Deep Learning
  • Python as programming language

The German MOOC Praktische Einführung in Deep Learning für Computer Vision teaches relevant basics regarding Deep Learning and Computer Vision. Unfortunately we did not find a fitting English alternative.

Level
Advanced

Time required
6-8 hours per week

How do I get started?

Environment setup (or what you'll need for our practical examples)

  • A Webbrowser (preferably on a laptop or desktop computer)
  • A Kaggle account (we will do all coding exercises using Kaggle Notebooks)

Für diesen Kurs einschreiben

Der Kurs ist kostenlos. Legen Sie sich einfach ein Benutzerkonto auf openHPI an und nehmen Sie am Kurs teil!
Jetzt einschreiben
Eingeschriebene Nutzer: 609

Anforderungen für Leistungsnachweise

  • Den Leistungsnachweis erhält, wer in der Summe aller benoteten Aufgaben mindestens 50% der Höchstpunktzahl erreicht hat.
  • Die Teilnahmebestätigung erhält, wer auf zumindest 50% der Kursunterlagen zugegriffen hat.

Mehr Informationen finden Sie in den Richtlinien für Leistungsnachweise.

Dieser Kurs wird angeboten von

PD Dr.  Haojin Yang

Haojin Yang is a senior researcher and multimedia and machine learning (MML) research group leader at Hasso-Plattner-Institute (HPI). Since 2019, he has been habilitated for a professorship. His research focuses on efficient deep learning, model acceleration and compression, and Edge AI.

Joseph Bethge

Joseph Bethge ist ein Doktorand der sich mit Deep Learning beschäftigt und dabei einen besonderen Fokus auf binäre neuronale Netze (Binary Neural Networks) legt. Weiterhin ist er einer der Hauptverantwortlichen des Open-Source Projekts BMXNet 2.