Applications TinyML pour appareils embarqués

Le machine learning n'est plus confiné aux centres de données massifs ; il alimente désormais les plus petits appareils de notre vie quotidienne. Ce cours fournit une base pratique en TinyML, vous permettant de créer des fonctionnalités intelligentes pour du matériel avec une mémoire et une puissance limitées. Vous apprendrez à combler le fossé entre les algorithmes complexes et les systèmes embarqués contraints. Grâce à des explications écrites et des exemples basés sur du code, vous explorerez comment traiter les données des capteurs pour prendre des décisions en temps réel sur le edge. Ce que vous apprendrez : - Comprendre les principes fondamentaux et les contraintes de l'edge computing et la terminologie TinyML - Implémenter des systèmes de détection de mots-clés pour les commandes vocales des appareils - Appliquer des techniques de "visual wake word" pour identifier des objets ou des personnes spécifiques à l'aide de capteurs basse consommation - Développer des modèles de reconnaissance de gestes à l'aide de données de mouvement provenant d'accéléromètres et de gyroscopes - Optimiser les modèles à l'aide de la quantification et de la taille pour s'adapter aux limites strictes du matériel - Explorer les flux de travail MLOps modernes pour déployer et surveiller les modèles sur des appareils edge distants Le cours commence par les concepts fondamentaux de l'IA embarquée avant de plonger dans des applications spécifiques pour les données audio, visuelles et de mouvement. Vous suivrez un parcours structuré, de la compréhension des entrées brutes des capteurs au déploiement d'un modèle optimisé sur un microcontrôleur. Ce cours est conçu pour les débutants intéressés par l'IA et le matériel, ne nécessitant aucune expérience préalable du déploiement du machine learning. Commencez dès aujourd'hui votre voyage dans le monde de l'edge computing intelligent.