Edge AI และ TinyML สำหรับไมโครคอนโทรลเลอร์

ในโลกของอุปกรณ์ที่เชื่อมต่ออินเทอร์เน็ต การส่งข้อมูลเซ็นเซอร์ทั้งหมดไปยังคลาวด์มักจะช้า มีค่าใช้จ่ายสูง และสิ้นเปลืองพลังงาน การรันโมเดลการเรียนรู้ของเครื่องโดยตรงบนฮาร์ดแวร์ขนาดเล็ก ซึ่งเป็นที่รู้จักกันในชื่อ Edge AI หรือ TinyML ช่วยให้สามารถตัดสินใจได้อย่างรวดเร็ว เป็นส่วนตัว และมีประสิทธิภาพ ณ จุดที่มีการเก็บรวบรวมข้อมูล คอร์สนี้จะแนะนำคุณตลอดวงจรชีวิตทั้งหมดของการเรียนรู้ของเครื่องแบบฝังตัว ตั้งแต่การทำความเข้าใจข้อจำกัดของฮาร์ดแวร์ไปจนถึงการปรับใช้โมเดลที่ได้รับการปรับแต่งแล้ว คุณจะได้เรียนรู้วิธีปรับเวิร์กฟลอว์การเรียนรู้ของเครื่องมาตรฐานสำหรับไมโครคอนโทรลเลอร์ เพื่อให้มั่นใจว่าโมเดลของคุณทำงานได้อย่างมีประสิทธิภาพภายใต้ข้อจำกัดด้านหน่วยความจำและการประมวลผลที่เข้มงวด สิ่งที่คุณจะได้เรียนรู้: - ทำความเข้าใจแนวคิดหลักของ Edge AI, TinyML และข้อจำกัดด้านฮาร์ดแวร์ของไมโครคอนโทรลเลอร์ - ประมวลผลและเตรียมข้อมูลเซ็นเซอร์โดยเฉพาะสำหรับสภาพแวดล้อมที่มีทรัพยากรจำกัด - เพิ่มประสิทธิภาพโครงข่ายประสาทเทียมโดยใช้การทำควอนไทเซชัน (quantization) และการตัดแต่ง (pruning) เพื่อลดขนาดหน่วยความจำให้น้อยที่สุด - ปรบใช้โมเดลการเรียนรู้ของเครื่องบนไมโครคอนโทรลเลอร์โดยใช้รันไทม์ C/C++ น้ำหนักเบา - ประเมินประสิทธิภาพของโมเดล ความหน่วง และการใช้พลังงานบนฮาร์ดแวร์เอดจ์ เริ่มต้นด้วยคำจำกัดความพื้นฐานของระบบฝังตัวและการเรียนรู้ของเครื่อง คอร์สแบบข้อความนี้จะพาคุณไปทีละขั้นตอนผ่านไปป์ไลน์ข้อมูล แนวคิดการฝึกอบรมโมเดล กลยุทธ์การปรับแต่ง และสถานการณ์การใช้งานจริง คอร์สนี้ออกแบบมาสำหรับผู้เริ่มต้น นักพัฒนาซอฟต์แวร์ และผู้ที่ชื่นชอบฮาร์ดแวร์ที่ต้องการสำรวจจุดตัดระหว่าง AI และระบบฝังตัว โดยไม่ต้องมีประสบการณ์ด้านการเรียนรู้ของเครื่องมาก่อน เริ่มอ่านวันนี้และเรียนรู้วิธีสร้างแอปพลิเคชันแบบฝังตัวที่ชาญฉลาดและใช้พลังงานต่ำ