{"product_id":"embedded-deep-learning-algorithms-architectures-and-circuits-for-always-on-neural-network-processing-9783030075774","title":"Aprendizaje profundo integrado: algoritmos, arquitecturas y circuitos para el procesamiento de redes neuronales siempre activas","description":"\u003cp\u003e\u003c\/p\u003e\u003cp\u003eEste libro cubre técnicas de implementación algorítmica y de hardware para permitir el aprendizaje profundo incrustado. Los autores describen enfoques de diseño sinérgicos a nivel de aplicación, algorítmico, arquitectura de computadoras y circuitos que ayudarán a lograr el objetivo de reducir el costo computacional de los algoritmos de aprendizaje profundo. El impacto de estas técnicas se muestra en cuatro prototipos de silicio para aprendizaje profundo incrustado.\u003cb\u003e\u003c\/b\u003e\u003c\/p\u003e\u003cp\u003e\u003c\/p\u003e \u003cp\u003e\u003c\/p\u003e\u003cul\u003e\n\u003cli\u003eOfrece una amplia visión general de una serie de soluciones efectivas para redes neuronales energéticamente eficientes en dispositivos portátiles con batería limitada;\u003cbr\u003e\n\u003c\/li\u003e\n\u003cli\u003eDiscute la optimización de redes neuronales para implementación incrustada en todos los niveles de la jerarquía de diseño - aplicaciones, algoritmos, arquitecturas de hardware y circuitos - respaldado por prototipos de silicio reales;\u003cbr\u003e\n\u003c\/li\u003e\n\u003cli\u003eDetalla cómo diseñar procesadores eficientes de redes neuronales convolucionales, explotando el paralelismo y la reutilización de datos, operaciones dispersas y cálculos de baja precisión;\u003cbr\u003e\n\u003c\/li\u003e\n\u003cli\u003eApoya la teoría y los conceptos de diseño introducidos con cuatro prototipos de silicio reales. La implementación y el rendimiento alcanzado de la realización física se discuten detalladamente para ilustrar y destacar los conceptos de diseño de capas cruzadas introducidos.\u003c\/li\u003e\n\u003c\/ul\u003e\u003cp\u003e\u003c\/p\u003e\u003cbr\u003e\u003cbr\u003e\u003cb\u003eAutor:\u003c\/b\u003e \u003ca href=\"https:\/\/sureshotbooks-com.myshopify.com\/search?type=product%2Carticle%2Cpage\u0026amp;q=AUTH-11968682\"\u003eBert Moons\u003c\/a\u003e, \u003ca href=\"https:\/\/sureshotbooks-com.myshopify.com\/search?type=product%2Carticle%2Cpage\u0026amp;q=AUTH-11968683\"\u003eDaniel Bankman\u003c\/a\u003e, \u003ca href=\"https:\/\/sureshotbooks-com.myshopify.com\/search?type=product%2Carticle%2Cpage\u0026amp;q=AUTH-4685727\"\u003eMarian Verhelst\u003c\/a\u003e\u003cbr\u003e\u003cb\u003eEditorial:\u003c\/b\u003e Springer\u003cbr\u003e\u003cb\u003ePublicado:\u003c\/b\u003e 19\/01\/2019\u003cbr\u003e\u003cb\u003ePáginas:\u003c\/b\u003e 206\u003cbr\u003e\u003cb\u003eTipo de encuadernación:\u003c\/b\u003e Tapa blanda\u003cbr\u003e\u003cb\u003ePeso:\u003c\/b\u003e 0.70lbs\u003cbr\u003e\u003cb\u003eTamaño:\u003c\/b\u003e 9.21h x 6.14w x 0.47d\u003cbr\u003e\u003cb\u003eISBN13:\u003c\/b\u003e 9783030075774\u003cbr\u003e\u003cb\u003eISBN10:\u003c\/b\u003e 303007577X\u003cbr\u003e\u003cb\u003eCategorías BISAC:\u003c\/b\u003e\u003cbr\u003e- \u003ca href=\"https:\/\/sureshotbooks-com.myshopify.com\/search?type=product%2Carticle%2Cpage\u0026amp;q=CAT-TEC\"\u003eTecnología e Ingeniería\u003c\/a\u003e | \u003ca href=\"https:\/\/sureshotbooks-com.myshopify.com\/search?type=product%2Carticle%2Cpage\u0026amp;q=BISAC-TEC008010\"\u003eElectrónica | Circuitos | General\u003c\/a\u003e\u003cbr\u003e\u003cbr\u003e\u003cp\u003e\u003cb\u003eSobre el autor\u003c\/b\u003e\u003cbr\u003e\u003c\/p\u003e\u003cp\u003e\u003c\/p\u003e\u003cp\u003e\u003cb\u003eEl Dr. ir. Bert Moons\u003c\/b\u003e recibió los grados de B.S. y M.S. y el doctorado en Ingeniería Eléctrica de la KU Leuven, Lovaina, Bélgica en 2011, 2013 y 2018. Realizó su investigación de doctorado en ESAT-MICAS como Asistente de Investigación financiado por el IWT, centrándose en circuitos digitales adaptables en tiempo de ejecución y escalables energéticamente para aplicaciones de aprendizaje profundo integradas. Bert es autor de más de 15 publicaciones en conferencias y revistas, fue estudiante de investigación visitante en la Universidad de Stanford en el Grupo Murmann Mixed-Signal y recibió el premio predoctoral SSCS en 2018. Actualmente trabaja en Synopsys, como arquitecto de diseño de hardware para los procesadores DesignWare EV6x Embedded Vision y Deep Learning.\u003c\/p\u003e\u003cp\u003e\u003cb\u003eDaniel Bankman \u003c\/b\u003erecibió el título S.B. en ingeniería eléctrica del Instituto Tecnológico de Massachusetts, Cambridge, MA en 2012 y el título M.S. de la Universidad de Stanford, Stanford, CA en 2015. Desde 2012, ha estado trabajando para obtener el doctorado en la Universidad de Stanford, centrándose en el procesamiento de señales mixtas para el aprendizaje automático. Ha realizado prácticas en Analog Devices e Intel. Sus intereses de investigación incluyen algoritmos, arquitecturas y circuitos para el aprendizaje y la inferencia energéticamente eficientes en dispositivos inteligentes. Fue galardonado con la Beca de Posgrado Texas Instruments Stanford en 2012, el Premio de Fundadores de Tecnologías Numéricas en 2013 y el Premio de Investigación Estudiantil John von Neumann en 2015 y 2017.\u003c\/p\u003e\u003cp\u003e \u003c\/p\u003e\u003cp\u003e\u003cb\u003eLa Prof. Dra. ir. Marian Verhelst\u003c\/b\u003e es profesora en los laboratorios MICAS (MICro-electronics And Sensors) del Departamento de Ingeniería Eléctrica de la KU Leuven. Su investigación se centra en el aprendizaje automático embebido, aceleradores de hardware energéticamente eficientes, circuitos y sistemas auto-adaptativos, y detección y procesamiento de baja potencia. Anteriormente, recibió un doctorado de la KU Leuven cum ultima laude, fue investigadora visitante en el Berkeley Wireless Research Center (BWRC) de la UC Berkeley, y trabajó como científica investigadora en Intel Labs, Hillsboro OR. La Prof. Verhelst es miembro del comité ejecutivo de la conferencia DATE, y fue miembro de los TPC de ESSCIRC e ISSCC y del comité ejecutivo de ISSCC. Marian es una conferencista distinguida de SSCS, fue miembro de la Young Academy of Belgium, editora asociada de TCAS-II y JSSC y miembro del comité asesor STEM del Gobierno Flamenco. Marian es titular de una prestigiosa subvención ERC de la Unión Europea.\u003cb\u003e\u003c\/b\u003e\u003c\/p\u003e\u003cbr\u003e\u003cp\u003e\u003c\/p\u003e\u003cp\u003e\u003ci\u003eEste título no es retornable\u003c\/i\u003e\u003cbr\u003e\u003c\/p\u003e","brand":"Springer","offers":[{"title":"Default Title","offer_id":44575619678445,"sku":"9783030075774","price":149.98,"currency_code":"USD","in_stock":true}],"thumbnail_url":"\/\/cdn.shopify.com\/s\/files\/1\/0550\/8097\/6621\/products\/img_1b46cdc5-a029-4699-a17e-86c9d41a4c87.jpg?v=1702000038","url":"https:\/\/sureshotbooks.com\/es\/products\/embedded-deep-learning-algorithms-architectures-and-circuits-for-always-on-neural-network-processing-9783030075774","provider":"SureShot Books Publishing LLC","version":"1.0","type":"link"}