Grundlagen von Embedded Machine Learning und TinyML

Machine Learning ist nicht mehr auf leistungsstarke Server beschränkt. Es bewegt sich durch stromsparende Geräte an den Rand unserer physischen Welt. Dieser Kurs bietet eine umfassende Einführung in das Gebiet von TinyML, sodass Sie Intelligenz in Hardware einbringen können, die monatelang oder sogar jahrelang mit einer Batterie betrieben wird. Sie lernen, wie Sie die Lücke zwischen Data Science und eingebetteten Systemen schließen, um reaktionsschnelle, datenschutzorientierte und effiziente Anwendungen zu erstellen. Am Ende dieses Kurses verstehen Sie den gesamten Lebenszyklus eines eingebetteten Machine-Learning-Projekts, von der Datenerfassung bis zur Inferenz auf dem Gerät. Was Sie lernen werden: - Verstehen Sie die grundlegenden Prinzipien von TinyML und Edge Computing Architekturen. - Erfahren Sie, wie Sie Sensordaten speziell für eingebettete Umgebungen erfassen und vorverarbeiten. - Üben Sie neuronale Netze, die für ressourcenbeschränkte Mikrocontroller optimiert sind. - Wenden Sie Modelloptimierungstechniken wie Quantisierung und Pruning an, um Speicherplatz zu minimieren. - Erkunden Sie moderne Frameworks wie TensorFlow Lite für Mikrocontroller für die Edge-Bereitstellung. - Verstehen Sie, wie Sie Anwendungsfälle aus der Praxis wie Keyword-Spotting und Gestenerkennung implementieren. Der Kurs beginnt mit der grundlegenden Terminologie und einem Überblick über Embedded Hardware, bevor Sie durch Datenpipelines, Modelloptimierung und Bereitstellungsstrategien geführt werden. Dieses Programm richtet sich an Einsteiger, die sich für Elektronik oder Software interessieren und die Schnittstelle zwischen KI und Hardware erkunden möchten, ohne dass vorherige Erfahrungen mit maschinellem Lernen erforderlich sind.Starten Sie noch heute Ihre Reise in die Welt der intelligenten eingebetteten Systeme.