Διαδίκτυος Microcontroller Καλλιέργεια στην Ελλάδα

Αυτή η εκπαίδευση με διδάσκοντα, ζωντανή σε Ελλάδα (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 διδασκαλία υπό την καθοδήγηση του εκπαιδευτή (online ή on-site) απευθύνεται σε μηχανικούς που επιθυμούν να μάθουν πώς να χρησιμοποιήσουν το embedded C για να προγραμματίσουν διάφορους τύπους μικροελέγχων που βασίζονται σε διαφορετικές αρχιτεκτονικές προεξεργάστη (8051, ARM CORTEX M-3 και ARM9).

Σε αυτή την εκπαίδευση με διδάκτορα, σε ζωντανό περιβάλλον σε Ελλάδα, οι συμμετέχοντες θα μάθουν να προγραμματίζουν το Arduino για πρακτική χρήση, όπως τον έλεγχο φωτιών, μωτέρων και αισθητών κίνησης. Αυτό το μάθημα υποθέτει τη χρήση πραγματικών συσκευών σε ζωντανό εργαστήριο (χωρίς λογισμικά μιμημένες συσκευές). 

Στο τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα μπορούν να:

• Προγραμματίζουν το Arduino για τον έλεγχο φωτιών, μωτέρων και άλλων συσκευών.
• Κατανοούν την αρχιτεκτονική του Arduino, συμπεριλαμβανομένων των εισόδων και των συνδυασμών για προσθετές συσκευές.
• Προσθέτουν συσκευές τρίτων, όπως LCDs, επιταχυντήρια, γYROSCOPEs και GPS trackers, για να επεκταθεί η λειτουργία του Arduino.
• Κατανοούν τις διάφορες επιλογές σε γλώσσες προγραμματισμού, από τη C μέχρι τις γλώσσες πρωτύπωσης και μετάδοσης.
• Εξετάζουν, αποσφαλίζουν και εγκαθιστούν το Arduino για την επίλυση πραγματικών προβλημάτων.

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

Raspberry Pi είναι ένα πολύ μικρό, μονοπλάκιο υπολογιστή.

Σε αυτή τη διδασκαλία με καθοδήγηση εκπαιδευτή, οι συμμετέχοντες θα μάθουν πώς να ρυθμίσουν και να προγραμματίσουν το Raspberry Pi για να λειτουργεί ως ένα διαδραστικό και ισχυρό ενσωματωμένο σύστημα.

Στο τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα μπορούν να:

• Ρυθμίσουν ένα IDE (ιντεγροποιημένο περιβάλλον ανάπτυξης) για τη μέγιστη απόδοση στην ανάπτυξη
• Προγραμματίσουν Raspberry Pi για να ελέγχει συσκευές όπως κινητή σφαιρική αίσθηση, ορόσημα, διαδίκτυο διακομιστές και τυπώνες.
• Κατανοήσουν την αρχιτεκτονική Raspberry Pi, συμπεριλαμβανομένων των εισόδων και διαφραγμάτων για προσθετικές συσκευές.
• Κατανοήσουν τις διάφορες επιλογές γλώσσων προγραμματισμού και λειτουργικών συστημάτων
• Τεστάρουν, αποσφαλίζουν και διαθέτουν το Raspberry Pi για να λύνουν πραγματικά προβλήματα

Ακροατείο

• Αναπτυξιακοί
• Τεχνικοί/λογισμικού λογισμικού
• Τεχνικοί σε όλους τους τομείς
• Φίλοι Τεχνολογίας

Μορφή μάθησης

• Μέρος διάλεξη, μέρος συζήτηση, ασκήσεις και έντονη πρακτική εφαρμογή

Σημείωση

• Το Raspberry Pi υποστηρίζει διάφορα λειτουργικά συστήματα και γλώσσες προγραμματισμού. Αυτό το μάθημα θα χρησιμοποιήσει το λειτουργικό σύστημα Raspbian βασισμένο στο Linux και τη γλώσσα προγραμματισμού Python. Για να ζητήσετε μια συγκεκριμένη ρύθμιση, επικοινωνήστε μαζί μας για τη διατύπωση.
• Οι συμμετέχοντες είναι υπεύθυνοι για την αγορά του λειτουργικού Raspberry Pi και των συστατικών.

Αυτή η εκπαίδευση υπό την καθοδήγηση δασκάλου σε Ελλάδα (online ή on-site) απευθύνεται σε μηχανικούς που επιθυμούν να γράφουν, φορτώνουν και λειτουργίζουν μοντέλα μηχανικής μάθησης σε πολύ μικρά ενσωματωμένα υπολογιστικά συστήματα.

Στο τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα μπορούν να:

• Εγκαταστήσουν το TensorFlow Lite.
• Φορτώσουν μοντέλα μηχανικής μάθησης σε ένα ενσωματωμένο υπολογιστικό σύστημα για να το κατασκευάσει, π.χ., να αναγνωρίζει λέξεις, να ταξινομεί εικόνες, κλπ.
• Να προσθέτουν Τεχνητή Νοημοσύνη σε υλικά συστήματα χωρίς να εξαρτώνται από δικτύωση.