Kerangka Materi

Pengenalan ke TinyML dan Edge AI

  • Apakah TinyML?
  • Keuntungan dan tantangan AI pada mikrocontroller
  • Tinjauan alat TinyML: TensorFlow Lite dan Edge Impulse
  • Kasus penggunaan TinyML dalam IoT dan aplikasi dunia nyata

Menyiapkan Lingkungan Pengembangan TinyML

  • Menginstal dan mengonfigurasi Arduino IDE
  • Pengenalan TensorFlow Lite untuk mikrocontroller
  • Menggunakan Edge Impulse Studio untuk pengembangan TinyML
  • Menyambungkan dan menguji mikrocontroller untuk aplikasi AI

Membangun dan Melatih Model Pembelajaran Mesin

  • Memahami alur kerja TinyML
  • Mengumpulkan dan memproses ulang data sensor
  • Melatih model pembelajaran mesin untuk AI terbenam
  • Mengoptimalkan model untuk pengolahan rendah daya dan real-time

Mendistribusikan Model AI pada Mikrocontroller

  • Mengubah model AI menjadi format TensorFlow Lite
  • Memasukkan dan menjalankan model pada mikrocontroller
  • Mengevaluasi dan memeriksa implementasi TinyML

Mengoptimalkan TinyML untuk Kinerja dan Efisiensi

  • Teknik untuk kuantisasi dan kompresi model
  • Strategi manajemen daya untuk edge AI
  • Batasan memori dan komputasi dalam AI terbenam

Aplikasi Praktek TinyML

  • Pengenalan gerak menggunakan data akselerometer
  • Klasifikasi audio dan pengenalan kata kunci
  • Pendeteksian anomali untuk perawatan prediktif

Keamanan dan Tren Masa Depan di TinyML

  • Memastikan privasi dan keamanan data dalam aplikasi TinyML
  • Tantangan federated learning pada mikrocontroller
  • Penelitian dan kemajuan yang muncul dalam TinyML

Ringkasan dan Langkah Berikutnya

Persyaratan

  • Pengalaman dalam pemrograman sistem terintegrasi
  • Kemampuan dalam pemrograman Python atau C/C++
  • Pengetahuan dasar mengenai konsep machine learning
  • Pemahaman tentang perangkat keras dan periferal mikrocontroller

Penonton

  • Insinyur sistem terintegrasi
  • Pengembang AI
 21 Jam

Jumlah Peserta


Biaya per Peserta

Kursus Mendatang

Kategori Terkait