Fondements du Machine Learning Embarqué et TinyML

Le machine learning n'est plus confiné aux serveurs puissants ; il se déplace vers la périphérie de notre monde physique grâce à des appareils basse consommation. Ce cours offre une introduction complète au domaine du TinyML, vous permettant d'apporter l'intelligence à du matériel qui fonctionne sur batterie pendant des mois, voire des années. Vous apprendrez à combler le fossé entre la science des données et les systèmes embarqués pour créer des applications réactives, axées sur la confidentialité et efficaces. À la fin de ce cours, vous comprendrez le cycle de vie complet d'un projet de machine learning embarqué, de la collecte de données à l'inférence sur l'appareil. Ce que vous apprendrez : - Comprendre les principes fondamentaux du TinyML et des architectures de l'edge computing. - Apprendre à collecter et prétraiter les données de capteurs spécifiquement pour les environnements embarqués. - S'entraîner à entraîner des réseaux neuronaux optimisés pour les microcontrôleurs aux ressources limitées. - Appliquer des techniques d'optimisation de modèle telles que la quantification et l'élagage pour minimiser l'empreinte mémoire. - Explorer des frameworks modernes tels que TensorFlow Lite for Microcontrollers pour le déploiement edge. - Comprendre comment implémenter des cas d'utilisation réels tels que la détection de mots-clés et la reconnaissance de gestes. Le cours commence par la terminologie essentielle et un aperçu du matériel embarqué avant de vous guider à travers les pipelines de données, l'optimisation des modèles et les stratégies de déploiement. Ce programme est conçu pour les débutants intéressés par l'électronique ou le logiciel qui souhaitent explorer l'intersection de l'IA et du matériel, sans expérience préalable en machine learning requise. Commencez dès aujourd'hui votre voyage dans le monde des systèmes embarqués intelligents.