Thank you for sending your enquiry! One of our team members will contact you shortly.
Thank you for sending your booking! One of our team members will contact you shortly.
Struttura del corso
Introduzione a TinyML
- Che cosa è TinyML?
- L'importanza dell'apprendimento automatico sui microcontrollori.
- Confronto tra l'IA tradizionale e TinyML.
- Panoramica dei requisiti hardware e software.
Impostazione dell'ambiente TinyML
- Installazione dell'IDE Arduino e configurazione dell'ambiente di sviluppo.
- Introduzione a TensorFlow Lite e Edge Impulse.
- Flashing e configurazione di microcontrollori per applicazioni TinyML.
Creazione e distribuzione di modelli TinyML
- Comprensione del flusso di lavoro TinyML.
- Addestramento di un semplice modello di apprendimento automatico per microcontrollori.
- Conversione dei modelli AI nel formato TensorFlow Lite.
- Distribuzione di modelli su dispositivi hardware.
Ottimizzazione TinyML per dispositivi Edge
- Riduzione della memoria e dell'ingombro computazionale.
- Tecniche di quantizzazione e compressione del modello.
- Benchmarking TinyML delle prestazioni del modello.
TinyML Applicazioni e Use Case
- Riconoscimento dei gesti tramite i dati dell'accelerometro.
- Classificazione audio e individuazione delle parole chiave.
- Rilevamento delle anomalie per la manutenzione predittiva.
TinyML Sfide e tendenze future
- Limitazioni hardware e strategie di ottimizzazione.
- Problemi di sicurezza e privacy in TinyML.
- Futuri progressi e ricerche in TinyML.
Riepilogo e passaggi successivi
Requisiti
- Conoscenze di base di programmazione (Python o C/C++)
- Familiarità con i concetti di apprendimento automatico (consigliato ma non obbligatorio)
- Comprensione dei sistemi embedded (facoltativo ma utile)
Pubblico
- Ingegneri
- Scienziati dei dati
- Appassionati di intelligenza artificiale
14 ore
