พื้นฐาน TinyML: การเรียนรู้ของเครื่องบนอุปกรณ์ฝังตัว

อุปกรณ์อัจฉริยะมีอยู่ทั่วไป แต่การรันโมเดล AI ที่ซับซ้อนบนฮาร์ดแวร์ขนาดเล็กจำเป็นต้องอาศัยทักษะเฉพาะทาง คอร์สเรียนรูปแบบข้อความนี้จะช่วยเชื่อมช่องว่างระหว่าง machine learning และระบบฝังตัว โดยแสดงให้คุณเห็นวิธีนำความฉลาดไปสู่สิ่งของในชีวิตประจำวัน คุณจะได้เปลี่ยนผ่านจากการทำความเข้าใจ machine learning ทั่วไป ไปสู่การปรับใช้โมเดลที่ได้รับการปรับแต่งอย่างสูงบนฮาร์ดแวร์ที่ใช้พลังงานต่ำ พร้อมทั้งได้รับความเข้าใจเชิงปฏิบัติเกี่ยวกับการลดขนาดโมเดลโดยไม่สูญเสียประสิทธิภาพที่สำคัญ สิ่งที่คุณจะได้เรียนรู้: - ทำความเข้าใจคำศัพท์หลักของ machine learning และข้อจำกัดของฮาร์ดแวร์ฝังตัว - ประยุกต์ใช้เทคนิคการ Quantization และ Pruning เพื่อลดขนาดโมเดลสำหรับไมโครคอนโทรลเลอร์ - กำหนดค่า TensorFlow Lite for Microcontrollers เพื่อรันการอนุมาน (Inference) บนอุปกรณ์ขนาดเล็ก - วิเคราะห์การใช้พลังงานและข้อจำกัดด้านหน่วยความจำของฮาร์ดแวร์ Edge - ฝึกฝนการเขียนโค้ดที่สะอาดและมีประสิทธิภาพสำหรับแอปพลิเคชัน AI แบบฝังตัว คอร์สนี้เริ่มต้นด้วยแนวคิดพื้นฐานของระบบฝังตัวและ machine learning โดยนำทางคุณทีละขั้นตอนผ่านการปรับแต่งโมเดล การคอมไพล์ และการปรับใช้ขั้นสุดท้ายบนฮาร์ดแวร์ คุณจะได้เรียนรู้ผ่านคำอธิบายที่เป็นลายลักษณ์อักษรที่ชัดเจน การแนะนำโค้ดในทางปฏิบัติ และแบบฝึกหัดเชิงแนวคิด ออกแบบมาสำหรับผู้เริ่มต้นในด้านระบบฝังตัวหรือ machine learning ที่ต้องการสำรวจจุดตัดของทั้งสองสนาม โดยไม่ต้องมีฮาร์ดแวร์ระดับสูงหรือประสบการณ์ด้าน ML มาก่อนก็สามารถเริ่มต้นได้ เริ่มอ่านวันนี้เพื่อปลดล็อกศักยภาพของอุปกรณ์อัจฉริยะที่ใช้พลังงานต่ำ