Tiny Machine Learning - TinyML

Este repositório abriga uma coleção de slides, material de leitura, solicitações de projetos e exemplos para você começar a criar seu próprio projeto de aprendizado de máquina em sistema embarcado.

Os alunos devem estar familiarizados com os seguintes tópicos para completar os exemplos de perguntas e tarefas práticas:

• Álgebra
  • Resolvendo equações lineares
• Probabilidade e Estatística
  • Expressando probabilidades de eventos independentes
  • Distribuições normais
  • Média e mediana
• Programação
  • Programação Arduino/C++ (condicionais, loops, arrays/buffers, ponteiros, funções)
  • Programação Python (condicionais, loops, arrays, funções, NumPy)

Os alunos precisarão de um computador e acesso à Internet para realizar treinamento em modelo de aprendizado de máquina e exercícios práticos com o Edge Impulse Studio e o Google Colab.

• É necessária uma conta do Google para o Google Colab.

• Um Edge Impulse é necessário para o Edge Impulse Studio.

• Os alunos precisarão instalar o Arduino IDE mais recente.

• Módulo 1: Machine Learning embarcado
• Módulo 2: Iniciando com Deep Learning
• Módulo 3: Fluxo de trabalho com Machine Learning
• Módulo 4: Implantação de modelos
• Módulo 5: Classificação de imagens com aprendizado profundo

• Curso TinyML
• Arduino Nano 33 BLE Sense
• Datasheet Arduino Nano 33 BLE

Este módulo fornece uma visão geral do aprendizado de máquina e como ele pode ser usado para resolver problemas. Ele também introduz a ideia de executar algoritmos de aprendizado de máquina em dispositivos com recursos limitados, como microcontroladores.

Este módulo fornece uma visão geral das redes neurais e como elas podem ser usadas para fazer previsões.

Neste módulo, os alunos compreenderão como os dados são coletados e usados para treinar um modelo de aprendizado de máquina. Eles terão a oportunidade de coletar seu próprio conjunto de dados, carregá-lo no Edge Impulse e treinar um modelo usando a interface gráfica. A partir daí, eles aprenderão como avaliar um modelo usando uma matriz de confusão para calcular precisão, recall, exatidão e pontuações F1.

Este módulo aborda as etapas para implantar um modelo de machine learning treinado no Edge Impulse em uma placa Arduino.

• Objetivos
  • Forneça exemplos de como o aprendizado de máquina embarcado pode ser usado para resolver problemas (onde outras formas de aprendizado de máquina seriam limitadas ou inadequadas);
  • Descrever os desafios associados à execução de algoritmos de aprendizado de máquina em sistemas embarcados
  • Descreva amplamente o que acontece durante o treinamento do modelo de aprendizado de máquina;
  • Demonstrar a capacidade de realizar inferência em um sistema embarcado para resolver um problema.

Este módulo apresenta o conceito de classificação de imagens, por que ela é importante no aprendizado de máquina e como pode ser usada para resolver problemas. São abordadas operações de convolução e pooling, que formam os blocos de construção para redes neurais convolucionais (CNNs).

[1] Slides and written material for "Introduction to Embedded Machine Learning" by Edge Impulse is licensed under CC BY-NC-SA 4.0

[2] Slides and written material for "Computer Vision with Embedded Machine Learning" by Edge Impulse is licensed under CC BY-NC-SA 4.0

[3] Slides and written material for "TinyML Courseware" by Prof. Vijay Janapa Reddi of Harvard University is licensed under CC BY-NC-SA 4.0