TinyML-Anwendungen für eingebettete Geräte

Maschinelles Lernen ist nicht mehr auf massive Rechenzentren beschränkt; es treibt jetzt die kleinsten Geräte in unserem täglichen Leben an. Dieser Kurs bietet eine praktische Grundlage in TinyML, die es Ihnen ermöglicht, intelligente Funktionen für Hardware mit begrenztem Speicher und Strom zu erstellen. Sie lernen, wie Sie die Lücke zwischen komplexen Algorithmen und eingeschränkten eingebetteten Systemen schließen. Durch schriftliche Erklärungen und Code-basierte Beispiele erfahren Sie, wie Sie Sensordaten verarbeiten, um Echtzeitentscheidungen am Edge zu treffen. Was Sie lernen werden: - Verstehen der Kernprinzipien und Einschränkungen von Edge Computing und TinyML-Terminologie - Implementierung von Keyword-Spotting-Systemen für sprachaktivierte Gerätesteuerungen - Anwendung von Visual Wake Word-Techniken zur Identifizierung bestimmter Objekte oder Personen mithilfe von Low-Power-Sensoren - Entwicklung von Gestenerkennungsmodellen unter Verwendung von Bewegungsdaten von Beschleunigungsmessern und Gyroskopen - Optimierung von Modellen durch Quantisierung und Pruning, um strenge Hardwarebeschränkungen einzuhalten - Erkundung moderner MLOps-Workflows für die Bereitstellung und Überwachung von Modellen auf entfernten Edge-Geräten Der Kurs beginnt mit grundlegenden Konzepten der eingebetteten KI, bevor er sich mit spezifischen Anwendungen für Audio-, Bild- und Bewegungsdaten befasst. Sie werden einen strukturierten Weg vom Verständnis der rohen Sensoreingaben bis zur Bereitstellung eines optimierten Modells auf einem Mikrocontroller verfolgen. Dieser Kurs richtet sich an Anfänger, die sich für KI und Hardware interessieren und keine Vorkenntnisse in der Bereitstellung von maschinellem Lernen benötigen. Beginnen Sie noch heute Ihre Reise in die Welt des intelligenten Edge Computing.