Применения TinyML для встраиваемых устройств

Машинное обучение больше не ограничено огромными центрами обработки данных; теперь оно используется в самых маленьких устройствах в нашей повседневной жизни. Этот курс предоставляет практическую основу в TinyML, позволяя вам создавать интеллектуальные функции для оборудования с ограниченной памятью и мощностью. Вы научитесь преодолевать разрыв между сложными алгоритмами и встраиваемыми системами с ограниченными ресурсами. С помощью письменных объяснений и примеров кода вы узнаете, как обрабатывать данные с датчиков для принятия решений в реальном времени на периферийных устройствах. Чему вы научитесь: - Понимать основные принципы и ограничения периферийных вычислений и терминологию TinyML - Внедрять системы обнаружения ключевых слов для голосовых команд устройства - Применять техники визуальных слов-триггеров для идентификации конкретных объектов или людей с помощью маломощных датчиков - Разрабатывать модели распознавания жестов, используя данные о движении с акселерометров и гироскопов - Оптимизировать модели с помощью квантования и прунинга, чтобы они соответствовали строгим аппаратным ограничениям - Изучать современные рабочие процессы MLOps для развертывания и мониторинга моделей на удаленных периферийных устройствах Курс начинается с основополагающих концепций встраиваемого ИИ, а затем переходит к конкретным применениям для аудио, видео и данных о движении. Вы пройдете структурированный путь от понимания необработанных данных с датчиков до развертывания оптимизированной модели на микроконтроллере. Этот курс предназначен для новичков, интересующихся ИИ и аппаратным обеспечением, и не требует предварительного опыта в развертывании моделей машинного обучения. Начните свой путь в мир интеллектуальных периферийных вычислений уже сегодня.