Використання моделей машинного навчання у вбудованих системах

Скорочена інформація про документ
dc.contributor.advisorКислий, Роман Володимирович
dc.contributor.authorВоловоденко, Тарас Олександрович
dc.date.accessioned2023-05-18T08:54:28Z
dc.date.available2023-05-18T08:54:28Z
dc.date.issued2021
dc.description.abstractМетою даної роботи було дослідження можливостей інтеграції моделей машинного навчання у вбудовані системи, що за своєю сутністю мають обмежений ресурс пам’яті, електроенергії та обчислювальних потужностей. Зазвичай машинне навчання асоціюється з чимось надскладним та надпотужним, що потребує багато людино-годин для розробки, кіловат- годин для тренування та використання моделей та гігабайтів пам’яті для їх зберігання. І це обмежує розробників у використанні технологій машинного навчання. Але існують рішення, що дозволяють розробляти, тренувати та розміщувати моделі на пристроях, що мають обмежений ресурс. Саме такими і є вбудовані системи. Одним з таких рішень є TensorFlow Lite, що дозволяє конвертувати моделі, побудовані на TensorFlow у компактний вид та розгортати їх на мікроконтролерах. Результат роботи: програмний продукт, що демонструє можливості фреймворку, тестує його продуктивність у різних режимах роботи та доводить його ефективність в умовах роботи у вбудованій системі у режимі реального часу. Загальний обсяг роботи 94 с., 37 рис., 7 таблиць, 1 додаток, 7 джерел.uk
dc.description.abstractotherThe aim of this work was to study the possibilities of integrating machine learning models into embedded systems, which by their nature have a limited resource of memory, electricity, and computing power. Machine learning is usually associated with something sophisticated and powerful that requires many man-hours to develop, kilowatt-hours to train, and the use of models and gigabytes of memory to store them. And this limits developers in the use of machine learning technologies. But there are solutions that allow you to design, train and deploy models on devices with limited resources. These are the embedded systems. One such solution is TensorFlow Lite, which allows you to convert models built on TensorFlow into a compact form and deploy them on microcontrollers. Result: a software product that demonstrates the capabilities of the framework, tests its performance in different modes of operation and proves its effectiveness in terms of operation in the embedded system in real time. The total amount of work 94 pp., 35 fig., 7 tables, 1 application, 7 sources.uk
dc.format.extent94 с.uk
dc.identifier.citationВоловоденко, Т. О. Використання моделей машинного навчання у вбудованих системах : дипломна робота бакалавра : 122 Комп'ютерні науки / Воловоденко Тарас Олександрович. - Київ, 2021. - 94 с.uk
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/55821
dc.language.isoukuk
dc.publisherКПІ ім. Ігоря Сікорськогоuk
dc.publisher.placeКиївuk
dc.subjectвбудовані системиuk
dc.subjectпотікuk
dc.subjectфреймворкuk
dc.subjectдатасетuk
dc.subjectмодельuk
dc.subjectнейронна мережаuk
dc.subjectдерево рішеньuk
dc.subjectTinyMLuk
dc.subjectTensorFlowuk
dc.subjectTensorFlow Liteuk
dc.subjectPythonuk
dc.subjectembedded systemsuk
dc.subjectthreaduk
dc.subjectframeworkuk
dc.subjectdatasetuk
dc.subjectmodeluk
dc.subjectneural networkuk
dc.subjectdecision treeuk
dc.titleВикористання моделей машинного навчання у вбудованих системахuk
dc.typeBachelor Thesisuk

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
Volovodenko_bakalavr.pdf
Розмір:
2.28 MB
Формат:
Adobe Portable Document Format
Опис:
Завантажити
Ліцензійна угода
Зараз показуємо 1 - 1 з 1
Ескіз недоступний
Назва:
license.txt
Розмір:
9.1 KB
Формат:
Item-specific license agreed upon to submission
Опис:
Завантажити

Зібрання

Бакалаврські роботи (СП)
Бакалаврські роботи