Kursplan

Introduktion till TinyML och IoT

  • Vad är TinyML? 
  • Fördelar med TinyML i IoT-applikationer
  • Jämförelse av TinyML med traditionell molnbaserad AI
  • Översikt över TinyML verktyg: TensorFlow Lite, Edge Impulse

Inställning av TinyML miljö

  • Installation och konfiguration av Arduino IDE
  • Inställning av Edge Impulse för TinyML modellutveckling
  • Förståelse av mikrokontrollerar för IoT (ESP32, Arduino, Raspberry Pi Pico)
  • Ansluta och testa hårdvarukomponenter

Utveckling av Machine Learning modeller för IoT

  • Insamling och förbearbetning av IoT-sensordata
  • Bygga och träna lätta ML-modeller
  • Konvertera modeller till TensorFlow Lite format
  • Optimera modeller för minnes- och strömbegränsningar

Distribuera AI-modeller på IoT-enheter

  • Flashning och körning av ML-modeller på mikrokontroller
  • Validera modellens prestanda i verkliga IoT-scenarier
  • Felsöka och optimera TinyML distributioner

Implementering av Predictive Maintenance med TinyML

  • Using ML för utrustningens hälsokontroll
  • Sensorbaserade anomalidetekteringstekniker
  • Distribuera modeller för prediktiv underhåll på IoT-enheter

Smart Sensor och Edge AI i IoT

  • Förbättra IoT-applikationer med TinyML-drivna sensorer
  • Realtidsdetektering och klassificering av händelser
  • Användningsfall: miljövervakning, smart jordbruk, industriell IoT

Säkerhet och optimering i TinyML för IoT

  • Dataintegritet och säkerhet i kant-AI-applikationer
  • Tekniker för att minska energiförbrukningen
  • Framtida trender och framsteg inom TinyML för IoT

Sammanfattning och nästa steg

Krav

  • Erfarenhet av IoT eller embedded systems development
  • Kännedom om Python eller C/C++ programmering
  • Grundläggande förståelse för maskininlärningskoncept
  • Kännedom om mikrocontroller-hårdvara och kringutrustning

Målgrupp

  • IoT-utvecklare
  • Inbäddade ingenjörer
  • AI-praktiker
 21 timmar

Antal deltagare


Price per participant

Vittnesmål (1)

Upcoming Courses

Relaterade Kategorier