Merci d'avoir envoyé votre demande ! Un membre de notre équipe vous contactera sous peu.
Merci d'avoir envoyé votre réservation ! Un membre de notre équipe vous contactera sous peu.
Plan du cours
Introduction à TinyML
- Qu'est-ce que TinyML ?
- L'importance de l'apprentissage automatique sur les microcontrôleurs
- Comparaison entre l'intelligence artificielle traditionnelle et TinyML
- Aperçu des exigences matérielles et logicielles
Configuration de l'environnement TinyML
- Installation de l'IDE Arduino et configuration de l'environnement de développement
- Introduction à TensorFlow Lite et Edge Impulse
- Mise en flash et configuration des microcontrôleurs pour les applications TinyML
Construction et déploiement de modèles TinyML
- Comprendre le flux de travail TinyML
- Formation d'un modèle d'apprentissage automatique simple pour microcontrôleurs
- Conversion des modèles d'IA au format TensorFlow Lite
- Déploiement des modèles sur les appareils matériels
Optimisation de TinyML pour les dispositifs Edge
- Réduction de l'utilisation mémoire et de la charge computationnelle
- Techniques de quantification et de compression des modèles
- Évaluation de la performance des modèles TinyML
Applications TinyML et Use Cases
- Reconnaissance gestuelle en utilisant les données d'accéléromètre
- Classification audio et détection de mots-clés
- Détection d'anomalies pour la maintenance prédictive
Défis TinyML et tendances futures
- Limitations matérielles et stratégies d'optimisation
- Problèmes de sécurité et de confidentialité dans TinyML
- Avancées futures et recherche en TinyML
Résumé et étapes suivantes
Pré requis
- Connaissances de base en programmation (Python ou C/C++)
- Familiarité avec les concepts d'apprentissage automatique (recommandé mais non obligatoire)
- Compréhension des systèmes embarqués (optionnel mais utile)
Public cible
- Ingénieurs
- Scientifiques des données
- Passionnés d'IA
14 Heures
