udemy
Udemy - одна из самых больших площадок в мире по доставке обучающего контента от разных авторов всего мира. Присутсвуют курсы практически на любую тему.
Начало работы с embedded AI | Edge AI
Getting Started with Embedded AI | Edge AI
★5 (всего оценок - 2)
Продолжительность
3 ч 33 мин
Категория
Обработка и анализ данныхКоличество уроков
51 Видео
Дата добавления
20 дек. 2019 г., 23:15
Язык
Английский
Дата выхода
23 окт. 2019 г., 00:00
Дата обновления
29 апр. 2026 г., 06:10
Этот курс поможет вам быстро и уверенно войти в сферу Embedded AI и понять, как разрабатывать и запускать модели искусственного интеллекта непосредственно на устройствах — от микроконтроллеров до edge‑платформ. Материал ориентирован на начинающих и инженеров, желающих освоить современные подходы к вычислениям на периферии.
Почему Embedded AI и Edge AI важны сегодня
Искусственный интеллект стремительно смещается с облака на край сети. Это позволяет создавать быстрые, автономные и энергоэффективные решения. Edge AI используется в робототехнике, промышленности, носимых устройствах, IoT‑датчиках и системах мониторинга. Курс помогает разобраться, почему выполнение ML‑моделей прямо на устройстве становится стандартом и как начать применять эти технологии на практике.
Что вы изучите в процессе обучения
Программа курса сочетает теорию и практику, объясняя ключевые термины, методы и инструменты, используемые для создания Embedded AI‑решений.
Базовые понятия и терминология
Вы разберётесь в различиях между Embedded AI и Edge AI, поймёте, что такое инференс на устройстве, каковы ограничения вычислительных платформ и почему оптимизация модели является критически важной.
Технологии и инструменты
- работа с микроконтроллерами и архитектурой STM32
- конвертация и оптимизация нейросетей
- квантование моделей и подготовка датасетов
- особенности развёртывания ML на ограниченных ресурсах
Практический проект курса
В финале программы вы создадите полноценный Edge AI‑проект — систему распознавания неисправностей двигателя по вибрационным данным. Проект включает:
- сбор данных с датчиков вибрации;
- подготовку и очистку данных;
- обучение компактной нейросети;
- квантование и экспорт модели для STM32;
- развёртывание ML‑инференса на микроконтроллере.
Кейс демонстрирует реальный промышленный сценарий и помогает получить опыт полного ML‑пайплайна.
Структура обучения
Модуль 1. Основы Embedded и Edge AI
Фундаментальные принципы, архитектура систем, ключевые ограничения и типичные сценарии применения.
Модуль 2. Практика разработки
Пошаговое создание embedded‑приложения с использованием инструментов STM32, библиотек для инференса и методов оптимизации.
Модуль 3. Итоговый проект
Вы разрабатываете полноценную систему диагностики двигателя на базе микроконтроллера, собираете данные, обучаете модель и переносите её на устройство.
Что вы получите после прохождения курса
- навыки создания AI‑моделей для микроконтроллеров;
- понимание ограничений вычислений и памяти в embedded‑системах;
- умение работать с пайплайном обработки данных;
- опыт квантования и оптимизации нейросетей;
- готовый проект для портфолио;
- понимание принципов edge computing и real‑time инференса.
- Урок 1.00:04:36What is an Artificial intelligence?
- Урок 2.00:02:09What is Machine Learning?
- Урок 3.00:03:53What is Deep Learning?
- Урок 4.00:04:53What is an Embedded/Edge AI?
- Урок 5.00:02:54Applications of Embedded AI
- Урок 6.00:01:47Overview of the Tools used.
- Урок 7.00:06:11What is Tensorflow?
- Урок 8.00:03:27What is Keras?
- Урок 9.00:05:33Comparison between Keras and Tensorflow
- Урок 10.00:01:22Installation of Keras and Tensorflow
- Урок 11.00:01:55What is STM32 and X-CUBE AI
- Урок 12.00:01:14Development Board used
- Урок 13.00:02:13What is Supervised Learning?
- Урок 14.00:01:59What is Unsupervised Learning?
- Урок 15.00:02:19Artificial Neuron Vs Real Neuron
- Урок 16.00:02:36What is an Artificial Neural Network?
- Урок 17.00:04:30What are layers and Forward propagation in NN
- Урок 18.00:03:57What is an Activation Function?
- Урок 19.00:03:40What is Gradient and Gradient Descent?
- Урок 20.00:04:24Optimization Algorithm and Loss function
- Урок 21.00:04:27How a Neural Network Learns?
- Урок 22.00:02:56The Concept of Loss functions in detail
- Урок 23.00:05:00The process of training and testing a NN
- Урок 24.00:04:45Why Overfitting occurs in NN and How to avoid it?
- Урок 25.00:03:29Why Underfitting occurs in NN and How to avoid it?
- Урок 26.00:03:16Hyperparameter of NN -> Learning Rate
- Урок 27.00:03:19What is Batch and Batch size of a Training samples?
- Урок 28.00:05:21Transfer Learning and Fine tuning Hyperparametrs in NN
- Урок 29.00:06:06What is Convolution?
- Урок 30.00:04:42What is a Convolution Layer in NN?
- Урок 31.00:03:58What is Max Pooling Layer?
- Урок 32.00:01:44What is Dropout layer?
- Урок 33.00:06:07One Hot Encoding of Output Classes or Labels
- Урок 34.00:03:53What is Confusion Matrix?
- Урок 35.00:01:57Difference between with or without normalization Confusion matrix
- Урок 36.00:06:25Introduction To Python and Writing first Program
- Урок 37.00:05:23Inroduction to Numpy Package
- Урок 38.00:04:20Introduction to Pandas Package
- Урок 39.00:02:00Introduction to Matplotlib
- Урок 40.00:03:27Key Steps for the implementation of Edge AI
- Урок 41.00:02:34Accelerometer Sensor Module
- Урок 42.00:14:28C code to capture data from Accelerometer
- Урок 43.00:08:52Python Script to Collect and Save Data in Binary file
- Урок 44.00:05:53Python script to Clean and Label Data
- Урок 45.00:05:10Defining a Convolution Neural Network to Learn from Captured Data
- Урок 46.00:11:08Python Script to Train the Neural Network
- Урок 47.00:02:10How we captured data and trained the model on it
- Урок 48.00:02:22Performance Evaluation of the Model (Plotting Confusion Matrix)
- Урок 49.00:06:54Convert KERAS model to c code
- Урок 50.00:02:53Integration of generated c code to acccelerometer module code
- Урок 51.00:03:11Infer the Fault State on the machine (demo)
Автор - udemy
Комментарии