Fondamenti di TinyML: Distribuzione di Modelli su Microcontrollori

Portare il machine learning sui dispositivi edge apre un mondo di applicazioni intelligenti a basso consumo. Man mano che i sistemi embedded diventano più capaci, la capacità di eseguire l'IA localmente senza dipendenza dal cloud è un'abilità essenziale per gli sviluppatori moderni. Questo corso ti guida attraverso il processo di acquisizione di modelli di machine learning e il loro adattamento a microcontrollori minuscoli e con risorse limitate. Attraverso spiegazioni scritte chiare e snippet di codice, imparerai come adattare modelli standard, applicare tecniche di ottimizzazione moderne ed eseguirli su hardware embedded utilizzando TensorFlow Lite. Cosa imparerai: • Comprendere i concetti fondamentali di TinyML, edge computing e i vincoli dell'hardware embedded. • Preparare e convertire modelli di machine learning per la distribuzione edge utilizzando TensorFlow Lite. • Applicare tecniche moderne di quantizzazione dei modelli per ridurre l'impronta di memoria e migliorare l'efficienza energetica. • Scrivere codice C++ per caricare, configurare ed eseguire modelli all'interno di ambienti microcontroller. • Elaborare dati di sensori di base localmente per inferenze in tempo reale senza connettività Internet. • Esplorare concetti fondamentali di MLOps edge per la gestione dei cicli di vita del machine learning embedded. Inizierai con la terminologia chiave e le definizioni fondamentali dell'edge AI prima di passare a esercizi pratici di codifica basati su testo che ti guideranno passo dopo passo attraverso la pipeline di conversione e distribuzione del modello. Progettato per principianti con conoscenze di programmazione di base che desiderano esplorare il machine learning embedded, questo corso non richiede alcuna esperienza precedente con la distribuzione hardware. Inizia a leggere oggi stesso per costruire le basi della tua prima applicazione per microcontrollori intelligenti.