Objetivo

Após realizar este Curso TinyML Fundamentals, você será capaz de:

• undamentos de aprendizado de máquina e dispositivos embarcados.
• Como coletar dados de forma eficaz para aprendizado de máquina.
• Como treinar e implantar pequenos modelos de aprendizado de máquina.
• Como otimizar modelos de aprendizado de máquina para dispositivos com recursos limitados.
• Como conceber e projetar seu próprio aplicativo minúsculo de aprendizado de máquina.
• Como programar no TensorFlow Lite para Microcontroladores, usando um Arduino Arm Cortex-M4.

Publico Alvo

O Curso TinyML Fundamentals é voltado para profissionais e entusiastas que desejam aprender sobre a implementação de algoritmos de aprendizado de máquina em dispositivos de baixa potência. O público-alvo do curso pode incluir:

• Engenheiros de software e desenvolvedores: Profissionais que desejam expandir seus conhecimentos em machine learning e aprender a aplicar esses conceitos em dispositivos embarcados e sistemas de baixa potência.
• Engenheiros eletrônicos: Profissionais que trabalham com design de hardware, sistemas embarcados ou IoT e desejam adicionar recursos de aprendizado de máquina em seus projetos.
• Pesquisadores e estudantes de ciência da computação e engenharia: Aqueles que desejam explorar a área de TinyML como parte de sua pesquisa ou projetos acadêmicos.
• Profissionais de IoT (Internet das Coisas): Especialistas que buscam adicionar capacidades de machine learning em dispositivos IoT para realizar tarefas como detecção de falhas, análise de dados em tempo real ou tomada de decisões autônomas.
• Empreendedores e inventores: Indivíduos que desejam criar soluções inovadoras e inteligentes usando dispositivos de baixa potência, como produtos wearable, assistentes virtuais, dispositivos de saúde, etc.

Materiais

Conteúdo Programatico

1. Welcome to TinyML
2. Course Overview
3. The Future of ML is Tiny and Bright
4. TinyML Challenges
5. Getting Started
6. Introduction to (Tiny) ML
7. The Machine Learning Paradigm
8. The Building Blocks of Deep Learning
9. Exploring Machine Learning Scenarios
10. Building a Computer Vision Model
11. Responsible AI Design