Analiza la cuantización y técnicas relacionadas para una inferencia neuronal eficiente.
Estudia cuantización de redes neuronales, cuantización con tamaño de paso aprendido, eficiencia de inferencia y técnicas más amplias para LLM. Distingue los compromisos de representación y cómputo de los efectos reales del hardware, compara métodos de compresión y diseña controles de calidad y latencia específicos para cada tarea. Los vídeos en inglés se acompañan de orientación analítica original, no de transcripciones copiadas.
Explicar cómo una precisión numérica menor puede cambiar almacenamiento, operaciones y calidad de predicción. Comparar cuantización con poda, destilación y adaptación de bajo rango según qué modifica cada método. Diseñar una evaluación de inferencia comprimida consciente del hardware que informe calidad, latencia, memoria y supuestos de despliegue.
Se recomienda experiencia con redes neuronales y evaluación de modelos. Ayuda conocer precisión numérica, inferencia y medidas básicas de hardware; no se exige un acelerador ni marco concreto.
Personas con experiencia que quieren profundizar y aplicar habilidades avanzadas de IA
Quienes aprenden mejor con ejemplos, lecciones guiadas y práctica
Profesionales, creadores y desarrolladores independientes que buscan un flujo de trabajo repetible
Prueba la primera lección
Prueba la primera lección gratis con una cuenta gratuita, sin tarjeta de pago. Las demás lecciones de pago requieren acceso válido a Academy, una prueba activa o Lumi Pro.
4 lecciones · Avanzado · Curso completo.
Este curso utiliza material con licencia CC BY atribuido a su proveedor de contenido o a quien lo publicó. La reproducción de las lecciones solo está disponible tras iniciar sesión y superar las comprobaciones de publicación y licencia.
¿Has seguido lecciones de este curso? Cuéntanos qué aprendiste y qué podría ser más claro.
Comparte tu experiencia · Propón una corrección
Los comentarios se envían en privado a nuestro equipo. No se publican automáticamente ni cuentan como una puntuación. No compartas contraseñas, datos de clientes ni información sensible.