Děkujeme za vaši dotaz! Jeden z našich pracovníků vás brzy kontaktuje.
Děkujeme za rezervaci! Jeden z našich pracovníků vás brzy kontaktuje.
Návrh Školení
Úvod do TinyML a Edge AI
- Co je TinyML?
- Výhody a výzvy AI na mikrokontrolérech
- Přehled nástrojů pro TinyML: TensorFlow Lite a Edge Impulse
- Případová použití TinyML ve IoT a skutečném světě
Nastavení vývojového prostředí pro TinyML
- Instalace a konfigurace Arduino IDE
- Úvod do TensorFlow Lite pro mikrokontrolery
- Použití Edge Impulse Studio pro vývoj TinyML
- Připojení a testování mikrokontrolérů pro AI aplikace
Vytváření a školení modelů strojového učení
- Pochopení pracovního postupu TinyML
- Sběr a předzpracování dat ze senzorů
- Školení modelů strojového učení pro zastrukturovanou AI
- Optimalizace modelů pro nízkou spotřebu a reálný časový zpracování
Nasazování AI modelů na mikrokontroléry
- Převod AI modelů do formátu TensorFlow Lite
- Flashování a spouštění modelů na mikrokontrolérech
- Ověřování a ladění implementací TinyML
Optimalizace TinyML pro výkon a efektivitu
- Techniky kvantizace a komprese modelů
- Strategie správy energie pro AI na hranici
- Omezení paměti a výpočetních zdrojů ve zastrukturované AI
Praktická použití TinyML
- Rozpoznávání gest pomocí dat akcelerometru
- Třídění zvuků a detekce klíčových slov
- Detekce výkonnostních anomálií pro předpovědnou údržbu
Bezpečnost a budoucí trendy v TinyML
- Zajištění ochrany osobních údajů a bezpečnosti v aplikacích TinyML
- Výzvy společného učení na mikrokontrolérech
- Nástupná výzkumy a pokroky v TinyML
Shrnutí a další kroky
Požadavky
- Zkušenosti s programováním vnořených systémů
- znalost programování v Pythonu nebo C/C++
- Základní znalosti konceptů strojového učení
- Pochopení hardware mikrokontrolerů a jejich periferií
Cílová skupina
- Inženýři vnořených systémů
- Vývojáři AI
21 hodiny