TinyML Fundamentals: Machine Learning auf Embedded Devices

Smart Devices sind überall, aber die Ausführung komplexer KI-Modelle auf winziger Hardware erfordert spezielle Fähigkeiten. Dieser textbasierte Kurs schließt die Lücke zwischen maschinellem Lernen und eingebetteten Systemen und zeigt Ihnen, wie Sie Alltagsgegenstände mit Intelligenz ausstatten können. Sie werden vom Verständnis des Standard-Machine Learnings zur Bereitstellung hoch optimierter Modelle auf Low-Power-Hardware übergehen und ein praktisches Verständniß dafür erlangen, wie Modelle verkleinert werden können, ohne die kritische Leistung zu beeinträchtigen. Was Sie lernen werden: - Verstehen Sie die Kernterminologie des maschinellen Lernens und der eingebetteten Hardware-Einschränkungen. - Wenden Sie Quantisierungs- und Beschneidungstechniken an, um die Modellgröße für Mikrocontroller zu reduzieren. - Konfigurieren Sie TensorFlow Lite für Mikrocontroller, um Inferenz auf winzigen Geräten auszuführen. - Analysieren Sie den Stromverbrauch und die Speicherbeschränkungen der Edge-Hardware. - Üben Sie das Schreiben sauberen, effizienten Codes für eingebettete KI-Anwendungen. Der Kurs beginnt mit grundlegenden Konzepten von eingebetteten Systemen und maschinellem Lernen und führt Sie Schritt für Schritt durch die Modelloptimierung, Kompilierung und endgültige Bereitstellung auf Hardware. Sie lernen durch klare schriftliche Erklärungen, praktische Code-Walkthroughs und konzeptionelle Übungen. Die Lösung wurde für Einsteiger in Embedded Systems oder Machine Learning entwickelt, die die Schnittstelle zwischen beiden Bereichen erkunden möchten. Für den Einstieg sind keine fortgeschrittene Hardware oder vorherige ML-Erfahrung erforderlich. Beginnen Sie noch heute mit dem Lesen, um das Potenzial intelligenter, stromsparender Geräte zu erschließen.