Машинное обучение для микроконтроллеров
На этом курсе вы научитесь создавать модели машинного обучения для микроконтроллеров. Вы научитесь понимать алгоритмы машинного обучения, обучать и оптимизировать модели, и работать с ними на микроконтроллерах.
Изучаемые языки и технологии
Язык программирования C++
Язык программирования C
TinyML
Среда разработки Edge Impulse
Машинное обучение
Нейросетевые технологии
Кейсы в промышленности, автоматизации и тп
Язык программирования Python
- 10интересных и полезных занятий
- 84академических часа по программе
- 2астрономических часа в день,
затрачиваемое на прохождение курса - 2месяца
период обучения
Кому подойдёт?
Будущим программистам
Для преподавателей, инженеров, технических специалистов, студентов и энтузиастов, которые хотят научиться внедрять искусственный интеллект и машинное обучение в реальные устройства на базе микроконтроллеров AVR.
Разработчикам из других сфер
Ученые исследовательских центров, которым нужен современный инструментарий для осуществления сложных вычислений. Студенты математических и физических специальностей, готовящиеся стать таковыми.
Как проходит обучение?
- Быстрое погружениеОнлайн-курс из 10 практических занятий (по 1,5–2 часа), каждое — с конкретным кейсом, задачей и готовым результатом на железе.
- УниверсальностьЖивые вебинары, которые проводятся в реальном времени, сопровождаются также подробными пошаговыми инструкциями, созданными для удобства и максимально эффективного изучения материалов
- Обратная связьОбратная связь по курсу, который мы изучаем и который так важен для нашего обучения, имеет крайне большое значение для нашего дальнейшего развития и успешного освоения материала
Основные этапы курса
- 1. Погружение в темуНа первом отрезке курса мы познакомимся с основными понятиями ИИ и машинного обучения, разберемся как работают алгоритмы классического машинного обучения, нейросетевые алгоритмы и популярные архитетектуры нейросетей.
- 2. Ключевые задачи TinyML
Далее, на 4 занятии, мы разберем три основные задачи, которые решает направление TinyML - голосовое распознавание, поиск аномалий в промышленности и компьютерное зрение, детектирование объектов. Разбор произойдет в программе Edge Impulse, которая поможет понять пайплайн разработки и развертывания таких приложений.
- 3. Модели машинного обучения
На 5-9 занятии мы перейдем к созданию моделей машинного обучения вручную, то есть с построением архитектуры, подготовкой данных и обучением модели с последующим развертыванием модели на микроконтроллере и оптимизацией. Будем создавать модели на Python, а для развертывания пользоваться C/C++
- 4. Практические кейсыВ конце курса мы сконцентрируемся на практических кейсах, которые применяются в промышленности, автоматизации и прогнозировании поломок, поиску брака и т.д.
Старт обучения через
Курс в процессе разработки. В настоящий момент набираем желающих. Как только курс будет запущен, мы обязательно сообщим.
Дней
Часов
Минут
Секунд
Необходимые знания
- Базовые навыки работы с электроникойУмение подключать датчик к МК, понимать схемы
- Базовые навыки программированияИметь навыки программирования на одном из промышленных языков (Python/С/C++ и т.д.).
Ключевые навыки
- TinyML-проектВы сможете с легкостью собрать свой первый TinyML-проект на базе ESP32 или ESP32-CAM: начиная с подключения различных сенсоров и заканчивая полноценной работой модели непосредственно на самой плате, что позволит вам лучше понять все этапы процесса
- Востребованные навыкиПолучите ключевые навыки, которые в настоящее время востребованы во многих сферах, таких как промышленность, Интернет вещей (IoT), автоматизация различных процессов и прототипирование инновационных решений
- Полный pipelineПоймёте, как устроен полный pipeline от сбора данных до реакции устройства, включая все этапы обработки информации и её трансформации в управление действиями устройства
- Два подходаОсвоите два подхода: no-code (через Edge Impulse) и классическое создание и обучение моделей на C++, Python
- Интеграция в свои продуктыСможете интегрировать передовые интеллектуальные функции в свои продукты или учебные программы, что позволит значительно улучшить их эффективность и повысить уровень взаимодействия с пользователями
Учебный план
На этом занятии мы познакомимся с направлением TinyML, которое находится на стыке электроники и машинного обучении. Разберем основные задачи, плюсы использования микроконтроллеров и реальные практические кейсы
На этом занятии мы познакомимся с алгоритмами и задачами классического машинного обучения. Речь пойдет про такие алгоритмы как линейна регрессия, бинарная и логистическая регрессия, метод опорных вектором, дерево решений. Разберем как работает ансамблирование в машинном обучении, и обучим несколько несложных моделей
На этом занятии мы познакомимся с глубоким обучением и нейросетями, разберем принцип работы нейронов, алгоритмы оптимизации и backpropagation. Рассмотрим основные архитектуры, разберемся какие архитектуры понадобятся нам для решения задач в области TinyML. Обучим несколько несложных моделей с помощью фреймворка Tensor Flow и Keras
Изучим пайплайн разработки приложений TinyML, обсудим основные точки разработки. В контексте TinyML рассмотрим основные задачи - wakeword, anomaly detection, computer vision. Построим пайплайн в приложении Edge Impulse
Рассмотрим самый важный шаг в ML - подготовку данных, разберем разные источники данных, их сбор и EDA. Научимся пользоваться основными библиотеками для работы с данными - pandas, numpy, matplotlib и их надстройки.
Разберем построение архитектуры моделей и пайплайн обучения - от загрузки данных в модель до метрик качества полученных моделей.
Развернем модель с помощью Tensor Flow Lite Micro. Поработаем с памятью и буфером, разберем тонкости deployment-составляющей TinyML приложения.
Разберем инструменты для оптимизации - квантование, pruning, скорость работы моделей и их размер. Разберем меры эффективности модели в реальной среде
Разберем несколько практических кейсов - от контроля состояния мотора/двигателя/насосов до детекции объектов в кадре
Разработаем кастомную модель под определенную задачу с нуля, и до деплоя. Разберем сложности в общей разработки приложения TinyML
Преподаватели и эксперты
- Евгений АбумовИнженер, занимается преподавательской деятельностью больше 9 лет. Работает в ML, создаёт устройства с моделями машинного обучения. Работал над созданием отечественного робототехнического конструктора с возможностью оценки действий ученика. Создаёт интерактивные стенды для выставок
Записаться на курс
Оставьте свои контактные данные и мы с Вами свяжемся в ближайшее время
Нажимая на кнопку, вы даете согласие на обработку персональных данных и соглашаетесь c политикой конфиденциальности
*Обязательное поле
*Обязательное поле
Типовые вакансии с площадок работодателей
*данные взяты с портала hh.ru
Стоимость обучения
70 000 рублей
*возможна рассрочка на 2 месяца. Ежемесячный платёж 35 000 рублей. Скидка не применяется.
Базовая стоимость
45 000 рублей
70 000 рублей*
*Приведи друга и получите скидку. Указанная стоимость будет для каждого
Приведи друга