Introduction to TinyML

• Podstawowa znajomość programowania (Python lub C/C++)
• Znajomość pojęć związanych z uczeniem maszynowym (polecane, ale nie wymagane)
• Zrozumienie systemów wbudowanych (opcjonalne, ale pomocne)

Grupa docelowa

• Inżynierowie
• Naukowcy danych
• Entuzjaści sztucznej inteligencji

TinyML jest zastosowaniem uczenia maszynowego na ograniczonych zasobami mikrokontrolerach i urządzeniach wbudowanych.

To szkolenie prowadzone przez instruktora (online lub na miejscu) jest skierowane do początkujących inżynierów i naukowców zajmujących się danymi, którzy chcą poznać podstawy TinyML, eksplorować jego zastosowania i wdrażać modele AI na mikrokontrolerach.

Na koniec tego szkolenia uczestnicy będą mogli:

• Poznać podstawy TinyML i jego znaczenie.
• Wdrażać lekkość modeli AI na mikrokontrolerach i urządzeniach krawędziowych.
• Optymalizować i dostrajać modele uczenia maszynowego do niskiego zużycia energii.
• Zastosować TinyML w rzeczywistych aplikacjach, takich jak rozpoznawanie gestów, wykrywanie anomalii i przetwarzanie audio.

Format kursu

• Interaktywna wykład i dyskusja.
• Wiele ćwiczeń i praktyki.
• Ręczne wdrożenie w środowisku live-lab.

Opcje dostosowania kursu

• Aby poprosić o dostosowane szkolenie dla tego kursu, prosimy o kontakt z nami w celu uzgodnienia.

Wprowadzenie do TinyML

• Co to jest TinyML?
• Znaczenie uczenia maszynowego na mikrokontrolerach
• Porównanie sztucznej inteligencji tradycyjnej z TinyML
• Przegląd wymagań sprzętowych i oprogramowania

Konfiguracja środowiska TinyML

• Instalacja Arduino IDE i konfiguracja środowiska programistycznego
• Wprowadzenie do TensorFlow Lite i Edge Impulse
• Programowanie i konfiguracja mikrokontrolerów do aplikacji TinyML

Budowanie i wdrażanie modeli TinyML

• Zrozumienie przepływu pracy TinyML
• Trenowanie prostego modelu uczenia maszynowego dla mikrokontrolerów
• Konwertowanie modeli AI do formatu TensorFlow Lite
• Wdrażanie modeli na urządzeniach sprzętowych

Optymalizacja TinyML dla urządzeń Edge

• Zmniejszanie zapotrzebowania na pamięć i obliczenia
• Techniki kwantyzacji i kompresji modeli
• Benchmarking wydajności modeli TinyML

Aplikacje TinyML i Use Case

• Rozpoznawanie gestów za pomocą danych z akcelerometru
• Klasyfikacja dźwięku i wykrywanie słów kluczowych
• Wykrywanie anomalii w ramach konserwacji przewidywanej

Wyzwania TinyML i przyszłe trendy

• Ograniczenia sprzętowe i strategie optymalizacji
• Zagadnienia związane z bezpieczeństwem i prywatnością w TinyML
• Przyszłe postępy i badania w dziedzinie TinyML

Podsumowanie i następne kroki