Ao selecionar um país você vê os cursos disponíveis na sua região.
⏱ 2 h 48 min📚 28 aulas🎧 Versão em áudio
Aplicações TinyML: Machine Learning para Sistemas Embarcados
Aprenda a projetar, treinar e implantar modelos de machine learning de consumo ultrabaixo em microcontroladores para reconhecimento de gestos, identificação de palavras-chave e palavras de despertar visual.
💬Instrutor de IA Pergunte sobre qualquer aula e receba uma resposta clara na hora, quando quiser.
🕐Comece quando quiser Sem horários nem prazos: aprenda no seu ritmo, quando quiser.
🌐Em português Aulas, tarefas e certificado: tudo totalmente no seu idioma.
Sobre este curso
Dispositivos inteligentes estão em toda parte, mas a execução de modelos complexos de machine learning em hardware pequeno e de baixa potência requer um conjunto exclusivo de habilidades. O TinyML permite que você leve a inteligência diretamente para a borda, permitindo o processamento em tempo real sem depender de conectividade constante com a nuvem. Este curso baseado em texto orienta você através de todo o ciclo de vida do desenvolvimento de aplicativos TinyML. Você progredirá desde a compreensão das principais restrições do hardware embarcado até o treinamento e a implantação de modelos otimizados que são executados com eficiência em microcontroladores com recursos limitados. O que você aprenderá: Primeiro, entenda os fundamentos do TinyML, incluindo restrições de hardware, orçamentos de energia e limitações de memória. Em segundo lugar, treine modelos de machine learning personalizados para detecção de palavras-chave, reconhecimento de gestos e tarefas básicas de visão computacional. Em terceiro lugar, aplique técnicas de otimização de modelos, como quantização, poda e agrupamento, para reduzir o tamanho do modelo. Em quarto lugar, implante modelos otimizados em microcontroladores usando o TensorFlow Lite para microcontrolador e estruturas de borda semelhantes. Quinto, pratique a avaliação do desempenho do modelo em hardware simulado usando passo-a-passo escritos. Sexto, explore as tendências modernas de IA de borda, incluindo fusão de sensores e arquiteturas de detecção de palavras de despertar de baixa potência. Você começará com a terminologia-chave, conceitos fundamentais de sistemas embarcados e noções básicas de aprendizado de máquina antes de mergulhar no treinamento prático de modelos. Através de explicações escritas detalhadas e trechos de código, você aprenderá a otimizar modelos para ambientes com limitações de memória e implementá-los em cenários do mundo real. Este curso é projetado para iniciantes em aprendizado de máquina, entusiastas de hardware e desenvolvedores de software que desejam entrar no mundo da IA de borda. Nenhuma experiência prévia com sistemas embarcados ou matemática avançada é necessária. Comece a ler hoje e crie sua primeira aplicação inteligente e de baixo consumo.
Conteúdo do curso
O que você vai receber
📜Certificado de conclusão Adicione ao seu perfil do LinkedIn
💬Tutor AI pessoal Travou em uma aula? Pergunte ao seu tutor integrado qualquer coisa, a qualquer hora.
🎧Versão em áudio incluída Estude em qualquer lugar, sem tela
♾️Acesso vitalício Volte quando quiser, sem expirar
📱Celular ou computador Funciona em qualquer dispositivo
💸Reembolso em 14 dias Sem perguntas
⚡Curto e focado 2 h 48 min de conteúdo prático
Certificado de conclusão
Cada curso que você conclui na PickAClass emite uma credencial como esta — original, com seu próprio código, verificável por URL e detalhada sobre o que foi de fato demonstrado.
P
PickAClass
Perfil de habilidades · verificável
Documento
Certificado de Maestria
Isto certifica que
Nome Sobrenome
demonstrou com sucesso o domínio de
Aplicações TinyML: Machine Learning para Sistemas Embarcados
Habilidades demonstradas
✓
Análise de padrões comportamentais
Fundamental
1.2 h
✓
Estruturas de arquitetura de decisão
Proficiente
1.4 h
✓
Design de testes A/B
Proficiente
1.7 h
✓
Redação comportamental
Avançado
1.9 h
P
PickAClass — Nome Sobrenome
Aplicações TinyML: Machine Learning para Sistemas Embarcados
Página 2 de 2
Detalhe de desempenho
Resumo do curso
Aulas concluídas14 / 14
Questões de prática26 / 28
Tarefas enviadas4 (méd. 4.5 / 5)
Projeto finalAvaliado — 4.6 / 5
Prática total6.2 h
Benchmark de desempenho
Posição na coorteTop 12% de 1,625
Tempo até concluir11 dias (mediana: 22)
Pontuação de domínio91 / 100
Pontuação das questões de prática94%
Verificação de habilidadeTrilha de habilidade verificada