Grazie per aver inviato la tua richiesta! Uno dei nostri team membri ti contatterà a breve.
Grazie per aver inviato il tuo prenotazione! Uno dei nostri team membri ti contatterà a breve.
Struttura del corso
Introduzione a TinyML
- Cos’è TinyML?
- L’importanza del machine learning nei microcontrollori
- Confronto tra l’intelligenza artificiale tradizionale e TinyML
- Panoramica sui requisiti hardware e software necessari
Configurazione dell’ambiente per TinyML
- Installazione di Arduino IDE e preparazione dell’ambiente di sviluppo
- Introduzione a TensorFlow Lite ed Edge Impulse
- Configurazione e flashatura dei microcontrollori per le applicazioni TinyML
Sviluppo e distribuzione di modelli TinyML
- Fasi chiave del processo di sviluppo con TinyML
- Creazione di un semplice modello di machine learning per microcontrollori
- Conversione dei modelli AI in formato TensorFlow Lite
- Distribuzione finale dei modelli sui dispositivi hardware
Ottimizzazione di TinyML per i dispositivi edge
- Riduzione del consumo di memoria e delle risorse computazionali
- Tecniche di quantizzazione e compressione dei modelli
- Valutazione delle prestazioni dei modelli TinyML
Applicazioni tipiche di TinyML
- Riconoscimento dei gesti mediante dati provenienti dagli accelerometri
- Classificazione audio e rilevamento delle parole chiave
- Utilizzo di TinyML per il rilevamento precoce di anomalie finalizzato alla manutenzione predittiva
Sfide attuali e tendenze future di TinyML
- Limitazioni hardware e strategie per la loro risoluzione
- Questioni relative alla sicurezza e alla privacy nei contesti TinyML
- Prospettive di evoluzione tecnologica e ricerche in corso nel settore
Conclusione e prossimi passi da intraprendere
Requisiti
- Conoscenze di base nella programmazione (Python o C/C++)
- Familiarità con i concetti fondamentali del machine learning (utile ma non obbligatorio)
- Conoscenza generale dei sistemi embedded (opzionale ma consigliata)
Destinatari
- Ingegneri
- Data scientist
- Appassionati di intelligenza artificiale
14 ore
