Návrh Školení

Úvod do TinyML a IoT

  • Co je TinyML?
  • Výhody TinyML v aplikacích IoT
  • Srovnání TinyML s tradiční cloudovou AI
  • Přehled nástrojů TinyML: TensorFlow Lite, Edge Impulse

Nastavení prostředí TinyML

  • Instalace a konfigurace Arduino IDE
  • Nastavení Edge Impulse pro vývoj modelu TinyML
  • Pochopení mikrokontrolérů pro IoT (ESP32, Arduino, Raspberry Pi Pico)
  • Připojení a testování hardwarových komponent

Vývoj Machine Learning modelů pro IoT

  • Shromažďování a předzpracování dat senzorů IoT
  • Stavba a výcvik lehkých ML modelů
  • Převod modelů do formátu TensorFlow Lite
  • Optimalizace modelů pro paměťová a energetická omezení

Nasazení modelů umělé inteligence na zařízeních IoT

  • Flashování a spouštění ML modelů na mikrokontrolérech
  • Ověřování výkonu modelu v reálných scénářích IoT
  • Ladění a optimalizace TinyML nasazení

Implementace prediktivní údržby pomocí TinyML

  • Použití ML pro monitorování stavu zařízení
  • Techniky detekce anomálií založené na senzorech
  • Nasazení modelů prediktivní údržby na zařízeních IoT

Smart Sensors a Edge AI v IoT

  • Vylepšení aplikací IoT pomocí senzorů napájených TinyML
  • Detekce a klasifikace událostí v reálném čase
  • Případy použití: monitorování životního prostředí, chytré zemědělství, průmyslový IoT

Zabezpečení a optimalizace v TinyML pro IoT

  • Soukromí a zabezpečení dat v okrajových AI aplikacích
  • Techniky pro snížení spotřeby energie
  • Budoucí trendy a pokrok v TinyML pro IoT

Shrnutí a další kroky

Požadavky

  • Zkušenosti s vývojem IoT nebo vestavěných systémů
  • Znalost programování Python nebo C/C++
  • Základní porozumění konceptům strojového učení
  • Znalost hardwaru mikrokontroléru a periferií

Publikum

  • IoT vývojáři
  • Vestavění inženýři
  • praktikující AI
 21 hodiny

Počet účastníků


Price per participant

Reference (1)

Upcoming Courses

Související kategorie