Submitted 11 September, 2024; originally announced September 2024. , Journal ref: 2024 IEEE 7th International Conference on Industrial Cyber-Physical Systems (ICPS)
توضیحات به فارسی
ارسال شده در 11 سپتامبر 2024 ؛در ابتدا در سپتامبر 2024 اعلام شد ، مجله Ref: 2024 IEEE هفتمین کنفرانس بین المللی سیستم های سایبری صنعتی (ICPS)
کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتابها، تمرینها و خودآزمایی.
ℹ️ نکات مهم هنگام خرید
این محصول به صورت فایل دانلودی کامل ارائه میشود.
توجه: لینکهای اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال میشوند.
دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینکها را دریافت نکردهاید، نام و نام خانوادگی و نام محصول را پیامک کنید تا
لینکها دوباره ارسال شوند.
💬 راههای ارتباطی پشتیبانی: واتساپ یا هر پیام رسان داخلی یا پیامک:
09395106248 تلگرام: @ma_limbs
چکیده
A new algorithm for incremental learning in the context of Tiny Machine learning (TinyML) is presented, which is optimized for low-performance and energy efficient embedded devices. TinyML is an emerging field that deploys machine learning models on resource-constrained devices such as microcontrollers, enabling intelligent applications like voice recognition, anomaly detection, predictive maintenance, and sensor data processing in environments where traditional machine learning models are not feasible. The algorithm solve the challenge of catastrophic forgetting through the use of knowledge distillation to create a small, distilled dataset. The novelty of the method is that the size of the model can be adjusted dynamically, so that the complexity of the model can be adapted to the requirements of the task. This offers a solution for incremental learning in resource-constrained environments, where both model size and computational efficiency are critical factors. Results show that the proposed algorithm offers a promising approach for TinyML incremental learning on embedded devices. The algorithm was tested on five datasets including: CIFAR10, MNIST, CORE50, HAR, Speech Commands. The findings indicated that, despite using only 43% of Floating Point Operations (FLOPs) compared to a larger fixed model, the algorithm experienced a negligible accuracy loss of just 1%. In addition, the presented method is memory efficient. While state-of-the-art incremental learning is usually very memory intensive, the method requires only 1% of the original data set.
چکیده به فارسی (ترجمه ماشینی)
یک الگوریتم جدید برای یادگیری افزایشی در زمینه یادگیری ماشین کوچک (TINYML) ارائه شده است که برای دستگاه های تعبیه شده کم کار و کارآمد بهینه شده است.Tinyml یک زمینه نوظهور است که مدل های یادگیری ماشین را در دستگاه های محدود شده از منابع مانند میکروکنترلرها مستقر می کند ، برنامه های هوشمند مانند تشخیص صدا ، تشخیص ناهنجاری ، نگهداری پیش بینی کننده و پردازش داده های سنسور را در محیط هایی که مدل های سنتی یادگیری ماشین امکان پذیر نیستند ، امکان پذیر می کند.این الگوریتم چالش فراموشی فاجعه بار را با استفاده از تقطیر دانش برای ایجاد یک مجموعه داده کوچک و مقطر حل می کند.تازگی روش این است که اندازه مدل را می توان به صورت پویا تنظیم کرد ، به طوری که پیچیدگی مدل را می توان با الزامات کار سازگار کرد.این یک راه حل برای یادگیری افزایشی در محیط های محدود شده از منابع ، که در آن اندازه مدل و کارآیی محاسباتی عوامل مهمی هستند ، ارائه می دهد.نتایج نشان می دهد که الگوریتم پیشنهادی یک روش امیدوارکننده برای یادگیری افزایشی tinyml در دستگاه های تعبیه شده ارائه می دهد.این الگوریتم در پنج مجموعه داده از جمله: CIFAR10 ، MNIST ، CORE50 ، HAR ، دستورات گفتار مورد آزمایش قرار گرفت.این یافته ها حاکی از آن است که ، با وجود استفاده از تنها 43 ٪ از عملیات نقطه شناور (FLOPS) در مقایسه با یک مدل ثابت بزرگتر ، این الگوریتم از دست دادن دقت ناچیز فقط 1 ٪ را تجربه کرد.علاوه بر این ، روش ارائه شده از حافظه کارآمد است.در حالی که یادگیری افزایشی پیشرفته معمولاً بسیار فشرده حافظه است ، این روش فقط به 1 ٪ از مجموعه داده های اصلی نیاز دارد.
📚 محتوای این محصول آموزشی (پکیج کامل)
علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیقتر و تسلط کامل بر مباحث مجموعهای از کتابهای آموزشی نیز ارائه میشود.
کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتابها، تمرینها و خودآزمایی.
ℹ️ نکات مهم هنگام خرید
این محصول به صورت فایل دانلودی کامل ارائه میشود.
توجه: لینکهای اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال میشوند.
دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینکها را دریافت نکردهاید، نام و نام خانوادگی و نام محصول را پیامک کنید تا
لینکها دوباره ارسال شوند.
💬 راههای ارتباطی پشتیبانی: واتساپ یا هر پیام رسان داخلی یا پیامک:
09395106248 تلگرام: @ma_limbs
