چکيده
يادگيري ماشين و يادگيري عميق نقش مهمي در استخراج اطلاعات معني‌دار از داده هاي جمع‌آوري شده از تعداد زياد سنسورها در طول روز دارند. براي برخي از كاربردها، هدف تجزيه تحليل داده هاي بدست آمد است؛و در برخي كاربردهاي ديگر، هدف اين است كه اقدامات فوري بر مبناي داده ها (به عنوان مثال، رباتيك / هواپيماهاي بدون سرنشين، اتومبيل هاي خودران، و اينترنت اشياء ) انجام شود. براي بسياري از اين كابردها پردازش نهفته نزديك سنسور به دليل امنيت يا نگراني هاي مربوط به تاخير و يا محدوديت هاي پهناي باند ارتباطي ترجيح داده مي شود.با اين حال، پردازش در سمت سنسور اغلب محدوديت هاي شديدي در مصرف انرژي و هزينه و علاوه بر آن نياز به دقت را بوجود مي‌آورد.در بسياري از كاربردها، يادگيري ماشين اغلب شامل تبديل داده هاي ورودي به يك فضاي ابعادي بالاتر است كه همراه با بروزرساني وزن هاي شبكه هاي عصبي مصنوعي، باعث افزايش داده ها و در نتيجه مصرف انرژي مي شود.دراين سمينار ما در مورد چگونگي حل اين چالش ها در سطوح مختلف طراحي سخت افزار از جمله معماري، الگوريتم هاي سخت افزاري و بهينه سازي آنها، مدارها و فن آوري هاي پيشرفته بحث خواهيم كرد.
