Ευχαριστούμε που στάλθηκε η αποσαφήνισή σας! Ένα μέλος της ομάδου μας θα επικοινωνήσει μαζί σας σύντομα.
Ευχαριστούμε για την εκδήλωση κράτησης! Ένας από τους συνεργάτες μας θα επικοινωνήσει μαζί σας σύντομα.
Εξέλιξη Κομματιού
Εισαγωγή στο TinyML
- Τι είναι το TinyML?
- Η σημασία του μηχανικού μάθησης σε μικροπυρήνες
- Σύγκριση μεταξύ παραδοσιακής AI και TinyML
- Περιγραφή των απαιτήσεων υλικού και λογισμικού
Καθιέρωση του περιβάλλοντος TinyML
- Εγκατάσταση IDE Arduino και ρυθμίζιση του περιβάλλοντος ανάπτυξης
- Εισαγωγή στο TensorFlow Lite και Edge Impulse
- Flashing και ρύθμιση μικροπυρήνων για εφαρμογές TinyML
Δημιουργία και Εγκατάσταση Μοντέλων TinyML
- Σύνειξη της διαδικασίας εργασίας TinyML
- Διδασκαλία απλού μοντέλου μηχανικού μάθησης για μικροπυρήνες
- Μετατροπή AI μοντέλων σε μορφή TensorFlow Lite
- Εγκατάσταση μοντέλων σε υπολογιστικά εξόδια
Βελτίωση TinyML για Edge Devices
- Καθορισμός μνήμης και υπολογιστικού πιέζου
- Τεχνικές για εικονικοποίηση και συμπίεση μοντέλων
- Benchmarking της απόδοσης TinyML model
Εφαρμογές και πειραματικά Use Case για TinyML
- Αναγνώριση χειρονοήτων με βάση δεδομένα ακcelerometer
- Κλάσης ήχου και spoting λέξεων-κλείδι
- Διαγностиκή ατυπικότητα για προληπτική υποστήριξής τους
Αντιμετώπιση Καθυστερήσεων και μελλοντικές Τάσεις TinyML
- Συμπεριφορές hardware και στρατηγικές βελτίωσης
- Κοινωνικά προβλήματα και απόψεις σχετικά με την TinyML
- Προσωπικές εξελίξεις και έρευνα στο TinyML
Περίληψη και Επόμενα Βήματα
Απαιτήσεις
- Βασικά γνώσεις προγραμματισμού (Python ή C/C++)
- Γνωστότητα των αρχών του μηχανικού μάθησης (ευπρόσδεκτη αλλά όχι απαραίτητη)
- Συνεισφορά στα embedded systems (μη υποχρεωτικό αλλά εύκολο)
Πúblico
- Ιντζένιρς
- Δεδομένων επιστήμονες
- Φίλοι της AI
14 Ώρες
