Благодарим ви, че изпратихте вашето запитване! Един от членовете на нашия екип ще се свърже с вас скоро.
Благодарим ви, че направихте своята резервация! Един от членовете на нашия екип ще се свърже с вас скоро.
Съдържание и теми, включени в курса
Въведение в TinyML
- Какво е TinyML?
- Защо да стартираме AI върху микроконтролери?
- Предизвикателства и ползи от TinyML
Настройка на средата за разработка на TinyML
- Преглед на инструменталните вериги за TinyML
- Инсталиране на TensorFlow Lite за микроконтролери
- Работа с Arduino IDE и Edge Impulse
Изграждане и внедряване на TinyML модели
- Обучение на AI модели за TinyML
- Конвертиране и компресиране на AI модели за микроконтролери
- Внедряване на модели върху нискомощен хардуер
Оптимизиране на TinyML за енергийна ефективност
- Техники за квантуване за компресия на модели
- Съображения за латентност и консумация на енергия
- Балансиране на производителност и енергийна ефективност
Извод в реално време върху микроконтролери
- Обработка на данни от сензори с TinyML
- Стартиране на AI модели върху Arduino, STM32 и Raspberry Pi Pico
- Оптимизиране на извода за приложения в реално време
Интегриране на TinyML с IoT и периферни приложения
- Свързване на TinyML с IoT устройства
- Безжична комуникация и пренос на данни
- Внедряване на IoT решения, задвижвани от AI
Реални приложения и бъдещи тенденции
- Случаи на употреба в здравеопазването, селското стопанство и индустриалния мониторинг
- Бъдещето на ултра-нискомощния AI
- Следващи стъпки в изследванията и внедряването на TinyML
Обобщение и следващи стъпки
Изисквания
- Разбиране на вградени системи и микроконтролери
- Опит с основите на AI или машинното обучение
- Основни познания по програмиране на C, C++ или Python
Аудитория
- Вградени инженери
- IoT разработчици
- AI изследователи
21 Часа
Отзиви от участници (1)
Че можем да покрием предмети и да работим с реални примери
Ruben Khachaturyan - iris-GmbH infrared & intelligent sensors
Курс - Advanced Edge AI Techniques
Машинен превод