TinyML for IoT Applications

• Doświadczenie w rozwoju IoT lub systemów wbudowanych
• Znajomość programowania w języku Python lub C/C++
• Podstawowe zrozumienie koncepcji uczenia maszynowego
• Znajomość sprzętu i urządzeń peryferyjnych mikrokontrolera

Odbiorcy

• Programiści IoT
• Inżynierowie systemów wbudowanych
• Praktycy AI

TinyML rozszerza możliwości uczenia maszynowego na urządzenia IoT o bardzo niskim poborze mocy, umożliwiając inteligencję w czasie rzeczywistym na krawędzi.

To prowadzone przez instruktora szkolenie na żywo (na miejscu lub zdalnie) jest przeznaczone dla średnio zaawansowanych programistów IoT, inżynierów wbudowanych i praktyków AI, którzy chcą wdrożyć TinyML do konserwacji predykcyjnej, wykrywania anomalii i aplikacji inteligentnych czujników.

Pod koniec tego szkolenia uczestnicy będą mogli

• Zrozumieć podstawy TinyML i jego zastosowania w IoT.
• Skonfigurować środowisko programistyczne TinyML dla projektów IoT.
• Rozwijać i wdrażać modele ML na mikrokontrolerach o niskim poborze mocy.
• Wdrożenie konserwacji predykcyjnej i wykrywania anomalii przy użyciu TinyML.
• Optymalizacja modeli TinyML pod kątem efektywnego wykorzystania mocy i pamięci.

Format kursu

• Interaktywny wykład i dyskusja.
• Wiele ćwiczeń i praktyki.
• Praktyczne wdrożenie w środowisku laboratoryjnym na żywo.

Opcje dostosowywania kursu

• Aby poprosić o spersonalizowane szkolenie dla tego kursu, skontaktuj się z nami.

Wprowadzenie do TinyML i IoT

• Czym jest TinyML?
• Korzyści z TinyML w aplikacjach IoT
• Porównanie TinyML z tradycyjną sztuczną inteligencją opartą na chmurze
• Przegląd narzędzi TinyML: TensorFlow Lite, Edge Impulse

Konfiguracja środowiska TinyML

• Instalowanie i konfigurowanie Arduino IDE
• Konfigurowanie Edge Impulse do tworzenia modeli TinyML
• Zrozumienie mikrokontrolerów dla IoT (ESP32, Arduino, Raspberry Pi Pico)
• Podłączanie i testowanie komponentów sprzętowych

Tworzenie Machine Learning modeli dla IoT

• Zbieranie i wstępne przetwarzanie danych z czujników IoT
• Tworzenie i szkolenie lekkich modeli ML
• Konwersja modeli do formatu TensorFlow Lite
• Optymalizacja modeli pod kątem ograniczeń pamięci i mocy obliczeniowej

Wdrażanie modeli AI na urządzeniach IoT

• Flashowanie i uruchamianie modeli ML na mikrokontrolerach
• Weryfikacja wydajności modelu w rzeczywistych scenariuszach IoT
• Debugowanie i optymalizacja wdrożeń TinyML

Wdrażanie konserwacji predykcyjnej z TinyML

• Wykorzystanie uczenia maszynowego do monitorowania stanu urządzeń
• Techniki wykrywania anomalii oparte na czujnikach
• Wdrażanie modeli konserwacji predykcyjnej na urządzeniach IoT

Inteligentne czujniki i Edge AI w IoT

• Ulepszanie aplikacji IoT za pomocą czujników TinyML
• Wykrywanie i klasyfikacja zdarzeń w czasie rzeczywistym
• Przypadki użycia: monitorowanie środowiska, inteligentne rolnictwo, przemysłowy IoT

Bezpieczeństwo i optymalizacja w TinyML dla IoT

• Prywatność i bezpieczeństwo danych w brzegowych aplikacjach AI
• Techniki zmniejszania zużycia energii
• Przyszłe trendy i postępy w TinyML dla IoT

Podsumowanie i kolejne kroki