Thank you for sending your enquiry! One of our team members will contact you shortly.
Thank you for sending your booking! One of our team members will contact you shortly.
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