Fondamentaux de TinyML : Apprentissage automatique sur les appareils intégrés

Les appareils intelligents sont omniprésents, mais faire tourner des modèles d'IA complexes sur du petit matériel nécessite des compétences spécialisées. Ce cours textuel comble le fossé entre le machine learning et les systèmes embarqués, en vous montrant comment insuffler de l'intelligence aux objets du quotidien. Vous passerez de la compréhension du machine learning standard au déploiement de modèles hautement optimisés sur du matériel basse consommation, acquérant ainsi une compréhension pratique de la façon de réduire les modèles sans sacrifier les performances critiques. Ce que vous apprendrez : - Comprendre la terminologie fondamentale du machine learning et les contraintes matérielles embarquées. - Appliquer des techniques de quantification et d'élagage pour réduire la taille des modèles pour les microcontrôleurs. - Configurer TensorFlow Lite for Microcontrollers pour exécuter des inférences sur de petits appareils. - Analyser la consommation d'énergie et les limitations de mémoire du matériel edge. - S'entraîner à écrire du code propre et efficace pour les applications d'IA embarquée. Le cours commence par les concepts fondamentaux des systèmes embarqués et du machine learning, vous guidant étape par étape à travers l'optimisation des modèles, la compilation et le déploiement final sur le matériel. Vous apprendrez grâce à des explications écrites claires, des parcours de code pratiques et des exercices conceptuels. Conçu pour les débutants en systèmes embarqués ou en machine learning qui souhaitent explorer l'intersection de ces deux domaines, aucun matériel avancé ni expérience préalable en ML n'est requis pour commencer. Commencez à lire dès aujourd'hui pour libérer le potentiel des appareils intelligents à faible consommation.