Diplomado en TinyML: Cuantización, Pruning y Compilación On-Device
About us Diplomado en TinyML: Cuantización, Pruning y Compilación On-Device
El Diplomado en TinyML: Cuantización, Pruning y Compilación On-Device se centra en la optimización de modelos de aprendizaje automático para su ejecución en dispositivos con recursos limitados. Explora técnicas de cuantización, pruning y compilación on-device, permitiendo la implementación eficiente de modelos en microcontroladores y sistemas embebidos. El diplomado aborda la reducción del tamaño y la complejidad de los modelos, sin comprometer su rendimiento, para facilitar aplicaciones en IoT y Edge Computing.
Los participantes adquieren habilidades prácticas en la aplicación de estas técnicas para inferencia en dispositivos con restricciones de memoria y poder de procesamiento. Se enfoca en el desarrollo de soluciones de TinyML, incluyendo la optimización de modelos para detección de objetos, reconocimiento de voz y sensores inteligentes, con herramientas y frameworks especializados. Esta formación prepara para roles como ingenieros de machine learning embebido, desarrolladores de TinyML y especialistas en optimización de modelos, impulsando la innovación en el campo de la inteligencia artificial en dispositivos.
Palabras clave objetivo (naturales en el texto): TinyML, cuantización, pruning, compilación on-device, microcontroladores, sistemas embebidos, aprendizaje automático, IoT, Edge Computing, inferencia.
Diplomado en TinyML: Cuantización, Pruning y Compilación On-Device
- Format:
- Duration:
- Hours: 900 H
- Language:
- Credits:
- Registration date: 08-09-2026
- Strat date: 19-10-2026
- Available places: 11
875 $
Competencies and results
What you will learn
Who this program is for:
Diplomado en TinyML: Cuantización, Pruning y Compilación On-Device
9.9 Introducción a TinyML y sus limitaciones
9.9 Conceptos de cuantización: tipos y técnicas
9.3 Conceptos de pruning: estructura y beneficios
9.4 Flujos de trabajo de cuantización y pruning
9.5 Herramientas y bibliotecas esenciales
9.9 Estrategias de optimización para modelos TinyML
9.9 Selección de métricas de rendimiento
9.3 Técnicas avanzadas de cuantización
9.4 Técnicas avanzadas de pruning
9.5 Análisis comparativo de métodos
3.9 Impacto de la cuantización y pruning en el rendimiento
3.9 Ajuste fino de modelos cuantizados y podados
3.3 Iteración y evaluación del rendimiento
3.4 Estudio de caso: Optimización de un modelo específico
3.5 Implementación práctica y resultados
4.9 Selección de hardware y software
4.9 Implementación de cuantización en dispositivos
4.3 Implementación de pruning en dispositivos
4.4 Despliegue y pruebas en dispositivos
4.5 Resolución de problemas y optimización
5.9 Evaluación del rendimiento con cuantización
5.9 Optimización de modelos para alto rendimiento
5.3 Implementación de modelos optimizados
5.4 Análisis de casos de estudio de alto rendimiento
5.5 Mejores prácticas y estrategias avanzadas
6.9 Estrategias de optimización para el despliegue
6.9 Herramientas de despliegue en TinyML
6.3 Selección y configuración del hardware
6.4 Despliegue y pruebas en diferentes dispositivos
6.5 Monitoreo y mantenimiento
7.9 Limitaciones de los dispositivos
7.9 Adaptación de modelos para dispositivos
7.3 Técnicas de optimización para dispositivos limitados
7.4 Estudios de caso en dispositivos limitados
7.5 Despliegue y optimización final
8.9 Introducción a la compilación on-device
8.9 Compilación de modelos cuantizados
8.3 Compilación de modelos podados
8.4 Integración de modelos compilados
8.5 Pruebas y validación
9.9 Técnicas avanzadas para TinyML
9.9 Implementación de modelos en producción
9.3 Consideraciones de seguridad y privacidad
9.4 Tendencias futuras en TinyML
9.5 Herramientas y plataformas emergentes
9.6 Casos de estudio y aplicaciones reales
9.7 Análisis de rendimiento y escalabilidad
9.8 Despliegue en la nube y optimización
9.9 Estrategias de optimización del ciclo de vida del modelo
9.90 Integración continua y despliegue continuo (CI/CD)
Capstone-type projects
Admissions, fees and scholarships
Do you have any questions?
Our team is ready to help you. Contact us and we’ll get back to you as soon as possible.