Εκπαίδευση Microcontroller στην Αθήνα

Αυτή η εκπαίδευση με διδάσκοντα, ζωντανή σε Αθήνα (online ή offline), στόχο της έχει τους μεσαιτιακούς μηχανικούς ενσωματωμένων συστημάτων και τους αναπτυξτές AI που θέλουν να εφαρμόσουν μοντέλα machine learning σε microcontrollers χρησιμοποιώντας TensorFlow Lite και Edge Impulse.

Ακολουθήσαντας αυτή την εκπαίδευση, οι συμμετέχοντες θα μπορούν να:

• Διαθέσουν γνώση των βασικών της TinyML και των πλεονεκτημάτων της για εφαρμογές edge AI.
• Εγκαθιδρύσουν ένα περιβάλλον ανάπτυξης για TinyML projects.
• Διαμόρφωση, τερματοποίηση και εγκατάσταση AI μοντέλων σε low-power microcontrollers.
• Χρήση TensorFlow Lite και Edge Impulse για την εφαρμογή πρακτικών TinyML εφαρμογών.
• Διευκόλυνση AI μοντέλων για αποδοτικότητα ισχύος και περιορισμούς υπολογιστικής μνήμης.

Αυτή η ζωντανή εκπαίδευση από εκπαιδευτές στο Αθήνα (διαδικτυακό ή επιτόπου) απευθύνεται σε μηχανικούς που επιθυμούν να μάθουν πώς να χρησιμοποιούν το ενσωματωμένο C για να προγραμματίζουν διάφορους τύπους μικροελεγκτών που βασίζονται σε διαφορετικές αρχιτεκτονικές επεξεργαστών (8051, ARM CORTEX M-3 και ARM9).

Σε αυτή τη ζωντανή εκπαίδευση στο Αθήνα, καθοδηγούμενη από εκπαιδευτές, οι συμμετέχοντες θα μάθουν πώς να προγραμματίζουν το Arduino για χρήση σε πραγματικό κόσμο, όπως ο έλεγχος φώτων, κινητήρων και αισθητήρων ανίχνευσης κίνησης. Αυτό το μάθημα προϋποθέτει τη χρήση πραγματικών στοιχείων υλικού σε ζωντανό εργαστηριακό περιβάλλον (όχι υλικό προσομοιωμένου λογισμικού).

Με το τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα είναι σε θέση:

• Πρόγραμμα Arduino για έλεγχο φώτων, κινητήρων και άλλων συσκευών.
• Κατανοήστε την αρχιτεκτονική του Arduino, συμπεριλαμβανομένων των εισόδων και των υποδοχών για πρόσθετες συσκευές.
• Προσθέστε εξαρτήματα τρίτων όπως οθόνες LCD, επιταχυνσιόμετρα, γυροσκόπια και ιχνηλάτες GPS για να επεκτείνετε τη λειτουργικότητα του Arduino.
• Κατανοήστε τις διάφορες επιλογές σε γλώσσες προγραμματισμού, από C έως γλώσσες μεταφοράς και απόθεσης.
• Δοκιμάστε, διορθώστε και αναπτύξτε το Arduino για την επίλυση προβλημάτων του πραγματικού κόσμου.

Αυτή η ζωντανή εκπαίδευση υπό την καθοδήγηση εκπαιδευτών στο Αθήνα (διαδικτυακό ή επιτόπου) απευθύνεται σε μηχανικούς που επιθυμούν να μάθουν τις αρχές σχεδιασμού του σχεδιασμού μικροελεγκτών.

Raspberry Pi είναι ένας πολύ μικρός, μονόπλευρος υπολογιστής.

Σε αυτή την εκπαιδευτική, ζωντανή εκπαίδευση, οι συμμετέχοντες θα μάθουν πώς να εγκαταστήσουν και να προγραμματίσουν το Raspberry Pi για να χρησιμεύσουν ως ένα διαδραστικό και ισχυρό ενσωματωμένο σύστημα.

Μετά το τέλος της προπόνησης, οι συμμετέχοντες θα είναι σε θέση να:

• Δημιουργία ενός ολοκληρωμένου περιβάλλοντος ανάπτυξης (IDE) για μέγιστη παραγωγικότητα ανάπτυξης
• Πρόγραμμα Raspberry Pi για τον έλεγχο συσκευών όπως αισθητήρες κίνησης, συναγερμούς, web servers και εκτυπωτές.
• Κατανοήστε την αρχιτεκτονική Raspberry Pi's, συμπεριλαμβανομένων εισαγωγών και συνδέσμων για συσκευές add-on.
• Κατανοήστε τις διάφορες επιλογές στις γλώσσες προγραμματισμού και τα λειτουργικά συστήματα
• Δοκιμάστε, απορρίψτε και εκτελέστε το Raspberry Pi για να λύσετε τα προβλήματα του πραγματικού κόσμου

Δημοσιογράφος

• Οι προγραμματιστές
• Τεχνικός / Τεχνικός Λογισμικού
• Τεχνικά πρόσωπα σε όλες τις βιομηχανίες
• Χόμπι

Η μορφή της πορείας

• Μερικές διαλέξεις, μερικές συζητήσεις, ασκήσεις και σκληρές πρακτικές

Σημείωση

• Raspberry Pi Υποστηρίζει διάφορα λειτουργικά συστήματα και γλώσσες προγραμματισμού. Αυτό το μάθημα θα χρησιμοποιήσει το Raspbian ως λειτουργικό σύστημα και Python ως γλώσσα προγραμματισμού. Για να ζητήσετε μια συγκεκριμένη ρύθμιση, παρακαλούμε επικοινωνήστε μαζί μας για να διορθώσετε.
• Οι συμμετέχοντες είναι υπεύθυνοι για την αγορά του Raspberry Pi υλικού και εξαρτημάτων.

Αυτή η ζωντανή εκπαίδευση στο Αθήνα από εκπαιδευτές (διαδικτυακή ή επιτόπου) απευθύνεται σε μηχανικούς που επιθυμούν να γράψουν, να φορτώσουν και να εκτελέσουν μοντέλα μηχανικής εκμάθησης σε πολύ μικρές ενσωματωμένες συσκευές.

Με το τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα είναι σε θέση:

• Εγκαταστήστε το TensorFlow Lite.
• Φορτώστε μοντέλα μηχανικής εκμάθησης σε μια ενσωματωμένη συσκευή για να μπορέσει να ανιχνεύσει ομιλία, να ταξινομήσει εικόνες κ.λπ.
• Προσθέστε AI σε συσκευές υλικού χωρίς να βασίζεστε στη συνδεσιμότητα δικτύου.