Kursplan

Introduktion till TinyML och Edge AI

  • Vad är TinyML?
  • Fördelar och utmaningar med AI på mikrokontroller
  • Översikt över TinyML verktyg: TensorFlow Lite och Edge Impulse
  • Användningsfall för TinyML i IoT och verkliga applikationer

Installation av utvecklingsmiljön för TinyML

  • Installera och konfigurera Arduino IDE
  • Introduktion till TensorFlow Lite för mikrokontroller
  • Att använda Edge Impulse Studio för TinyML utveckling
  • Ansluta och testa mikrokontroller för AI-applikationer

Bygga och träna Machine Learning modeller

  • Förstå TinyML arbetsflödet
  • Insamling och förbearbetning av sensordata
  • Träna maskininlärningsmodeller för inbäddad AI
  • Optimera modeller för lågtrav och realtidsbearbetning

Distribuera AI-modeller på Microcontrollers

  • Konvertera AI-modeller till TensorFlow Lite format
  • Flash och kör modeller på mikrokontroller
  • Validera och debugga TinyML implementationer

Optimera TinyML för prestanda och effektivitet

  • Tekniker för modellkvantisering och kompression
  • Strömhanteringsstrategier för edge AI
  • Minne och beräkningsbegränsningar i inbäddad AI

Praktiska tillämpningar av TinyML

  • Gesture igenkänning med hjälp av accelerometerdata
  • Audio klassificering och nyckelordsupptäckte
  • Anomali upptäckten för prediktivt underhåll

Säkerhet och framtida trender inom TinyML

  • Att säkerställa dataskydd och säkerhet i TinyML applikationer
  • Utmaningar med federerad inlärning på mikrokontroller
  • Framväxande forskning och framsteg inom TinyML

Sammanfattning och nästa steg

Krav

  • Erfarenhet av programmering av inbäddade system
  • Kännedom om Python eller C/C++ programmering
  • Grundläggande kunskaper om maskininlärningskoncept
  • Förståelse för mikrokontrollerhårdvara och kringutrustning

Publik

  • Inbäddade systemingenjörer
  • AI-utvecklare
 21 timmar

Antal deltagare


Price per participant

Upcoming Courses

Relaterade Kategorier