TinyML dla zastosowań IoT - Plan Szkolenia

TinyML to praktyka wdrażania zoptymalizowanych modeli uczenia maszynowego na urządzeniach brzegowych o ograniczonych zasobach.

To szkolenie prowadzone przez instruktora (online lub stacjonarnie) jest skierowane do zaawansowanych specjalistów technicznych, którzy chcą projektować, optymalizować i wdrażać kompleksowe potoki TinyML.

Na koniec tego szkolenia uczestnicy nauczą się:

• zbierać, przygotowywać i zarządzać zestawami danych dla aplikacji TinyML,
• trenować i optymalizować modele dla mikrokontrolerów o niskim zużyciu energii,
• konwertować modele na lżejsze formy, odpowiednie dla urządzeń brzegowych,
• wdrażać, testować i monitorować aplikacje TinyML w rzeczywistych środowiskach sprzętowych.

Format kursu

• wykłady prowadzone przez instruktora i techniczna dyskusja,
• praktyczne laboratoria i iteracyjne eksperymenty,
• praktyczne wdrażanie na platformach opartych o mikrokontrolery.

Opcje dostosowywania kursu

• Aby dostosować szkolenie do określonych łańcuchów narzędziowych, płyt sprzętowych lub wewnętrznych procesów, prosimy o kontakt z nami, aby uzgodnić szczegóły.

To szkolenie prowadzone przez instruktora (online lub stacjonarne) jest przeznaczone dla profesjonalistów IT i menedżerów biznesowych na poziomie średnim, którzy chcą zrozumieć potencjał IoT i obliczeń na krawędzi w celu umożliwienia efektywności, przetwarzania w czasie rzeczywistym i innowacji w różnych branżach.

Na zakończenie tego szkolenia uczestnicy będą w stanie:

• Zrozumieć zasady IoT i obliczeń na krawędzi oraz ich rolę w transformacji cyfrowej.
• Wykryć przypadki użycia IoT i obliczeń na krawędzi w sektorach produkcji, logistyki i energii.
• Rozróżnić architektury i scenariusze wdrożenia obliczeń na krawędzi i w chmurze.
• Wdrożyć rozwiązania obliczeń na krawędzi dla przewidywania konserwacji i podejmowania decyzji w czasie rzeczywistym.

Szkolenie prowadzone przez instruktora (online lub stacjonarne) jest przeznaczone dla developerów średniozaawansowanych, architektów systemów i profesjonalistów branży, którzy chcą wykorzystać Edge AI do wzbogacenia aplikacji IoT o inteligentne możliwości przetwarzania i analizy danych.

Na koniec tego szkolenia uczestnicy będą w stanie:

• Zrozumieć podstawy Edge AI i jej zastosowanie w IoT.
• Zainstalować i skonfigurować środowiska Edge AI dla urządzeń IoT.
• Tworzyć i wdrażać modele AI na urządzeniach Edge dla aplikacji IoT.
• Wdawać się w przetwarzanie danych w czasie rzeczywistym i podejmowanie decyzji w systemach IoT.
• Integrować Edge AI z różnymi protokołami i platformami IoT.
• Rozwiązywać etyczne kwestie i najlepsze praktyki w dziedzinie Edge AI dla IoT.

To prowadzone przez instruktora szkolenie na żywo w Polsce (na miejscu lub zdalnie) jest przeznaczone dla menedżerów produktu i programistów, którzy chcą używać Edge Computing do decentralizacji zarządzania danymi w celu zwiększenia wydajności, wykorzystując inteligentne urządzenia znajdujące się w sieci źródłowej.

Pod koniec tego szkolenia uczestnicy będą w stanie

• Zrozumieć podstawowe pojęcia i zalety Edge Computing.
• Zidentyfikować przypadki użycia i przykłady, w których można zastosować Edge Computing.
• Projektować i budować rozwiązania Edge Computing w celu szybszego przetwarzania danych i obniżenia kosztów operacyjnych.

To prowadzone przez instruktora szkolenie na żywo w Polsce (na miejscu lub zdalnie) jest przeznaczone dla średnio zaawansowanych profesjonalistów, którzy chcą zastosować Federated Learning do optymalizacji rozwiązań IoT i przetwarzania brzegowego.

Pod koniec tego szkolenia uczestnicy będą mogli

• Zrozumieć zasady i korzyści Federated Learning w IoT i edge computing.
• Wdrożyć modele Federated Learning na urządzeniach IoT w celu zdecentralizowanego przetwarzania AI.
• Zmniejszyć opóźnienia i usprawnić podejmowanie decyzji w czasie rzeczywistym w środowiskach przetwarzania brzegowego.
• Podejmowanie wyzwań związanych z prywatnością danych i ograniczeniami sieciowymi w systemach IoT.

To szkolenie prowadzone przez instruktora w Polsce (online lub stacjonarnie) jest skierowane do inżynierów systemów wbudowanych i developerów AI na poziomie średnim, którzy chcą wdrażać modele uczenia maszynowego na mikrokontrolerach za pomocą TensorFlow Lite i Edge Impulse.

Po ukończeniu tego szkolenia uczestnicy będą w stanie:

• Zrozumieć podstawy TinyML i jego korzyści dla zastosowań sztucznej inteligencji na krawędzi.
• Zainstalować środowisko rozwojowe dla projektów TinyML.
• Trenować, optymalizować i wdrażać modele AI na mikrokontrolerach o niskim zużyciu energii.
• Używać TensorFlow Lite i Edge Impulse do implementacji rzeczywistych zastosowań TinyML.
• Optymalizować modele AI pod kątem wydajności energetycznej i ograniczeń pamięci.

W tym prowadzonym przez instruktora szkoleniu na żywo w Polsce uczestnicy poznają różne aspekty NB-IoT (znanego również jako LTE Cat NB1) podczas opracowywania i wdrażania przykładowej aplikacji opartej na NB-IoT.

Pod koniec tego szkolenia uczestnicy będą mogli

• Zidentyfikować różne komponenty NB-IoT i sposób, w jaki pasują do siebie, tworząc ekosystem.
• Zrozumieć i wyjaśnić funkcje bezpieczeństwa wbudowane w urządzenia NB-IoT.
• Opracować prostą aplikację do śledzenia urządzeń NB-IoT.

TinyML to praktyka wdrażania modeli uczenia maszynowego na sprzęcie o silnych ograniczeniach zasobów.

Ten szkolenie prowadzone przez instruktora (online lub stacjonarnie) jest skierowane do zaawansowanych praktyków, którzy chcą zoptymalizować modele TinyML pod kątem niskiego opóźnienia i efektywnej w pamięci wdrożenia na urządzeniach wbudowanych.

Po zakończeniu tego szkolenia uczestnicy będą w stanie:

• Zastosować techniki kwantyzacji, przycinania i kompresji do zmniejszenia rozmiaru modelu bez utraty dokładności.
• Przetestować modele TinyML pod kątem opóźnienia, zużycia pamięci i efektywności energetycznej.
• Zaimplementować zoptymalizowane potoki wnioskowania na mikrokontrolerach i urządzeniach brzegowych.
• Oceenić kompromisy między wydajnością, dokładnością i ograniczeniami sprzętowymi.

Format kursu

• Prezentacje prowadzone przez instruktora, wspierane prezentacjami technicznymi.
• Praktyczne ćwiczenia optymalizacyjne i porównawcze testy wydajności.
• Ręczna implementacja potoków TinyML w kontrolowanym środowisku laboratorium.

Opcje dostosowania kursu

• Dla dostosowanych szkoleń zgodnych z określonymi platformami sprzętowymi lub wewnętrznymi przepływami pracy, prosimy o kontakt, aby dostosować program.

TinyML to podejście do wdrażania modeli uczenia maszynowego na urządzeniach o niskim zużyciu energii, z ograniczoną ilością zasobów, działających na krawędzi sieci.

Ten prowadzony przez instruktora szkolenie (online lub stacjonarny) jest skierowany do profesjonalistów o zaawansowanym poziomie, którzy chcą zabezpieczać potoki TinyML i wdrażać techniki chroniące prywatność w aplikacjach AI na krawędzi.

Na koniec tego kursu uczestnicy będą mogli:

• Identyfikować unikalne zagrożenia bezpieczeństwa związane z wnioskowaniem TinyML na urządzeniach.
• Implementować mechanizmy chroniące prywatność w wdrożeniach AI na krawędzi.
• Wzmocniać modele TinyML i układy wbudowane przeciwko zagrożeniom niesprzyjającym.
• Stosować najlepsze praktyki dotyczące bezpiecznej obsługi danych w środowiskach o ograniczonych zasobach.

Format kursu

• Angażujące wykłady wspierane dyskusjami prowadzonymi przez ekspertów.
• Praktyczne ćwiczenia podkreślające rzeczywiste scenariusze zagrożeń.
• Ręczna implementacja przy użyciu narzędzi bezpieczeństwa wbudowanego i TinyML.

Opcje dostosowywania kursu

• Organizacje mogą zapytać o dostosowaną wersję tego szkolenia, aby zrównoleglić je z ich konkretnymi potrzebami bezpieczeństwa i zgodności.

ThingsBoard to platforma IoT typu open source, która oferuje zarządzanie urządzeniami, gromadzenie danych, przetwarzanie i wizualizację dla rozwiązania IoT.

W tym prowadzonym przez instruktora szkoleniu na żywo uczestnicy dowiedzą się, jak zintegrować ThingsBoard ze swoimi rozwiązaniami IoT.

Pod koniec tego szkolenia uczestnicy będą mogli

• Zainstalować i skonfigurować ThingsBoard
• Zrozumieć podstawy funkcji i architektury ThingsBoard
• Tworzyć aplikacje IoT z ThingsBoard
• Zintegrować ThingsBoard z Kafka w celu routingu danych urządzeń telemetrycznych
• Integracja ThingsBoard z Apache Spark w celu agregacji danych z wielu urządzeń

Odbiorcy

• Inżynierowie oprogramowania
• Inżynierowie sprzętu
• Programiści

Format kursu

• Część wykładu, część dyskusji, ćwiczenia i ciężka praktyka praktyczna

Uwaga

• Aby poprosić o niestandardowe szkolenie dla tego kursu, skontaktuj się z nami.

To szkolenie prowadzone przez instruktora (online lub na miejscu) skierowane jest do początkujących inżynierów i naukowców danych, którzy chcą zrozumieć podstawy TinyML, badać jego zastosowania oraz wdrażać modele AI na mikroprocesorach.

Po zakończeniu tego szkolenia uczestnicy będą w stanie:

• Zrozumieć podstawy TinyML oraz jego znaczenie.
• Wdrażać lekkościowe modele AI na mikroprocesorach i urządzeniach krawędziowych.
• Optymalizować i dopasowywać modele uczenia maszynowego do niskiego zużycia energii.
• Zastosować TinyML w realnych aplikacjach, takich jak rozpoznawanie gestów, wykrywanie anomalii i przetwarzanie dźwięku.

TinyML to ramka do wdrażania modeli uczenia maszynowego na mikrokontrolerach o niskim poboru energii oraz wbudowanych platformach stosowanych w robotyce i systemach autonomicznych.

Ta prowadzona przez instruktora, żywa trening (online lub stacjonarnie) jest skierowana do zaawansowanych profesjonalistów, którzy chcą zintegrować zdolności poznawcze i podejmowania decyzji oparte na TinyML w autonomicznych robotach, dronach i inteligentnych systemach sterowniczych.

Po ukończeniu tego kursu uczestnicy będą w stanie:

• Projektować zoptymalizowane modele TinyML dla zastosowań robotycznych.
• Implementować potoki percepcji na urządzeniu dla autonomiczności w czasie rzeczywistym.
• Integrować TinyML z istniejącymi frameworkami sterowania robotyką.
• Wdrażać i testować lekkie modele sztucznej inteligencji na platformach sprzętowych wbudowanych.

Format kursu

• Techniczne wykłady połączone z interaktywnymi dyskusjami.
• Ćwiczenia praktyczne skupione na zadaniach robotyki wbudowanej.
• Praktyczne ćwiczenia symulujące autonomiczne przepływy pracy w świecie rzeczywistym.

Opcje dostosowywania kursu

• Dla środowisk robotyki specyficznych dla organizacji, dostosowanie może być zorganizowane na żądanie.

To szkolenie prowadzone przez instruktora, dostępne online lub na miejscu, jest przeznaczone dla inżynierów embedded na poziomie średniozaawansowanym, programistów IoT i badaczy AI, którzy chcą wdrożyć techniki TinyML dla aplikacji wspomaganych sztuczną inteligencją na energoszczędnym sprzęcie.

Po ukończeniu tego szkolenia uczestnicy będą mogli:

• Zrozumieć podstawy TinyML i sztucznej inteligencji na krańcach sieci.
• Wdrażać lekkie modele AI na mikrokontrolerach.
• Optymalizować wnioskowanie AI dla niskiego zużycia energii.
• Integrować TinyML z rzeczywistymi aplikacjami IoT.

TinyML to integracja uczenia maszynowego z niskowypadowymi, ograniczonymi pod względem zasobów urządzeniami noszonymi i medycznymi.

Ten prowadzony przez instruktora, na żywo szkolenie (online lub stacjonarnie) jest skierowane do praktyków poziomu średniego, którzy chcą zaimplementować rozwiązania TinyML dla monitorowania i aplikacji diagnostycznych w opiece zdrowotnej.

Po ukończeniu tego szkolenia uczestnicy będą w stanie:

• Projektować i wdrażać modele TinyML do przetwarzania danych zdrowotnych w czasie rzeczywistym.
• Zbierać, przygotowywać i interpretować dane z czujników biomedycznych dla wniosków opartych na sztucznej inteligencji.
• Optymalizować modele dla urządzeń noszonych o ograniczonej mocy i pamięci.
• Oceniać kliniczną relevancję, niezawodność i bezpieczeństwo wyników uzyskanych za pomocą TinyML.

Format kursu

• Wykłady wspierane na żywo pokazami i interaktywnymi dyskusjami.
• Ćwiczenia praktyczne z danymi z urządzeń noszonych i frameworków TinyML.
• Zadania implementacyjne w skierowanym środowisku laboratorium.

Opcje dostosowywania kursu

• Dla szkolenia dostosowanego do konkretnych urządzeń medycznych lub procesów regulacyjnych, prosimy o kontakt w celu dostosowania programu.

TinyML to ramka do wdrażania modeli uczenia maszynowego na urządzeniach o niskim poziomie zasobów i ograniczonej mocy obliczeniowej, używanych w polu.

Ten prowadzony przez instruktora, żywy trening (online lub stacjonarny) jest skierowany do profesjonalistów o poziomie zaawansowanym, którzy chcą zastosować techniki TinyML do rozwiązań inteligentnego rolnictwa, które poprawiają automatyzację i inteligencję środowiskową.

Po ukończeniu tego programu uczestnicy zdobędą umiejętność:

• Budowania i wdrażania modeli TinyML dla aplikacji czujników rolniczych.
• Integracji sztucznej inteligencji na brzegu (edge AI) z ekosystemami IoT do automatycznego monitorowania upraw.
• Użycia specjalistycznych narzędzi do treningu i optymalizacji lekkich modeli.
• Rozwijania przepływów pracy dla precyzyjnego nawadniania, wykrywania szkodników i analizy środowiska.

Format kursu

• Kierowane prezentacje i zastosowane dyskusje techniczne.
• Ćwiczenia praktyczne na podstawie rzeczywistych zestawów danych i urządzeń.
• Praktyczna eksperymentacja w wspieranym środowisku laboratorium.

Opcje dostosowywania kursu

• Dla dostosowanego treningu zgodnego z konkretnymi systemami rolniczymi, prosimy o kontakt w celu dostosowania programu.