Главная страницаКатегория обработка и анализ данныхНачало работы с embedded AI | Edge AI

Начало работы с embedded AI | Edge AI

Name: Начало работы с embedded AI | Edge AI
Rating: 5 (2 reviews)

Getting Started with Embedded AI | Edge AI

udemy

★5 (всего оценок - 2)

Продолжительность

3 ч 33 мин

Категория

Обработка и анализ данных

Количество 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 1.00:04:36
What is an Artificial intelligence?
Урок 2.00:02:09
What is Machine Learning?
Урок 3.00:03:53
What is Deep Learning?
Урок 4.00:04:53
What is an Embedded/Edge AI?
Урок 5.00:02:54
Applications of Embedded AI
Урок 6.00:01:47
Overview of the Tools used.
Урок 7.00:06:11
What is Tensorflow?
Урок 8.00:03:27
What is Keras?
Урок 9.00:05:33
Comparison between Keras and Tensorflow
Урок 10.00:01:22
Installation of Keras and Tensorflow
Урок 11.00:01:55
What is STM32 and X-CUBE AI
Урок 12.00:01:14
Development Board used
Урок 13.00:02:13
What is Supervised Learning?
Урок 14.00:01:59
What is Unsupervised Learning?
Урок 15.00:02:19
Artificial Neuron Vs Real Neuron
Урок 16.00:02:36
What is an Artificial Neural Network?
Урок 17.00:04:30
What are layers and Forward propagation in NN
Урок 18.00:03:57
What is an Activation Function?
Урок 19.00:03:40
What is Gradient and Gradient Descent?
Урок 20.00:04:24
Optimization Algorithm and Loss function
Урок 21.00:04:27
How a Neural Network Learns?
Урок 22.00:02:56
The Concept of Loss functions in detail
Урок 23.00:05:00
The process of training and testing a NN
Урок 24.00:04:45
Why Overfitting occurs in NN and How to avoid it?
Урок 25.00:03:29
Why Underfitting occurs in NN and How to avoid it?
Урок 26.00:03:16
Hyperparameter of NN -> Learning Rate
Урок 27.00:03:19
What is Batch and Batch size of a Training samples?
Урок 28.00:05:21
Transfer Learning and Fine tuning Hyperparametrs in NN
Урок 29.00:06:06
What is Convolution?
Урок 30.00:04:42
What is a Convolution Layer in NN?
Урок 31.00:03:58
What is Max Pooling Layer?
Урок 32.00:01:44
What is Dropout layer?
Урок 33.00:06:07
One Hot Encoding of Output Classes or Labels
Урок 34.00:03:53
What is Confusion Matrix?
Урок 35.00:01:57
Difference between with or without normalization Confusion matrix
Урок 36.00:06:25
Introduction To Python and Writing first Program
Урок 37.00:05:23
Inroduction to Numpy Package
Урок 38.00:04:20
Introduction to Pandas Package
Урок 39.00:02:00
Introduction to Matplotlib
Урок 40.00:03:27
Key Steps for the implementation of Edge AI
Урок 41.00:02:34
Accelerometer Sensor Module
Урок 42.00:14:28
C code to capture data from Accelerometer
Урок 43.00:08:52
Python Script to Collect and Save Data in Binary file
Урок 44.00:05:53
Python script to Clean and Label Data
Урок 45.00:05:10
Defining a Convolution Neural Network to Learn from Captured Data
Урок 46.00:11:08
Python Script to Train the Neural Network
Урок 47.00:02:10
How we captured data and trained the model on it
Урок 48.00:02:22
Performance Evaluation of the Model (Plotting Confusion Matrix)
Урок 49.00:06:54
Convert KERAS model to c code
Урок 50.00:02:53
Integration of generated c code to acccelerometer module code
Урок 51.00:03:11
Infer the Fault State on the machine (demo)

Автор - udemy

udemy

Udemy — одна из самых масштабных платформ в мире, предлагающая обучающий контент от авторов и экспертов со всего света. Сервис объединяет миллионы учеников и десятки тысяч преподавателей, создающих курсы на самые разнообразные темы.Основные возможности платформыШирокий выбор тем: от программирования и дизайна до маркетинга, психологии и личной эффективности.Глобальное сообщество авторов: материалы создаются специалистами из разных стран.Удобный ф

+198

Комментарии