TinyML и встроенное машинное обучение: от датчиков до развертывания

По мере того, как устройства становятся все меньше и более интегрированы в нашу повседневную жизнь, возможность обработки данных локально на микроконтроллерах становится существенной. Этот курс познакомит вас с пересечением аппаратного и искусственного интеллекта, обеспечивая ясный путь в растущее поле TinyML. Вы перейдете от понимания основных компонентов оборудования к развертыванию функциональных моделей машинного обучения, которые интерпретируют реальные сигналы непосредственно на краю. С помощью письменных объяснений и структурированных упражнений вы приобретете навыки, необходимые для преобразования необработанных данных датчиков в полезную информацию без использования облачного подключения. К концу этого курса вы сможете разрабатывать и внедрять эффективные модели, адаптированные к ресурсно ограниченным средам. Что вы узнаете: - Понять основные принципы встроенных систем и архитектуры маломощного оборудования - Применять методы обработки сигналов для интерпретации необработанных данных с микрофонов и акселерометров - Создание моделей машинного обучения, оптимизированных для микроконтроллеров и мобильного оборудования - Практика квантования и оптимизации модели для уменьшения памяти и хранения - Развертывание системы обнаружения акустических явлений для распознавания конкретных звуковых образов - Внедрение энергоэффективных стратегий вывода для устойчивой работы устройства Курс начинается с основных терминов и основ аппаратного обеспечения, а затем переходит к сбору данных, обучению моделей и специфическим ограничениям краевых вычислений. В заключение вы примените свои знания к проекту, направленному на классификацию реальных акустических событий. Этот курс предназначен для новичков, интересующихся сочетанием аппаратного обеспечения и искусственного интеллекта. Не требуется предыдущего опыта работы со встроенными системами или машинным обучением.