طراحی سیستم با هوش مصنوعی بدون اینترنت (Embedded AI)
آوردن قدرت یادگیری ماشین به دنیای فیزیکی و سختافزارهای کمتوان. در این دوره کاربردی یاد میگیرید که چگونه مدلهای هوش مصنوعی را بهینهسازی، کوانتیزه و مستقیماً بر روی میکروکنترلرهای STM32 بدون وابستگی به اینترنت و پردازش ابری پیادهسازی کنید.
مشخصات کلیدی دوره
هدف دوره چیست؟
هدف این دوره پیوند دادن دو دنیای هوش مصنوعی و امبدد است؛ فراگیران یاد میگیرند که چگونه بدون نیاز به کارتهای گرافیک گرانقیمت یا ارتباط دائمی با اینترنت، شبکههای عصبی و یادگیری ماشین را برای تجهیزات هوشمند صنعتی، IoT و سنسورها آماده و مستقر کنند.
این دوره برای چه کسانی است؟
- مهندسین و فعالان صنعت الکترونیک، مخابرات و سختافزار
- کارشناسان تحقیق و توسعه (R&D) در شرکتهای دانشبنیان و صنعتی
- مدیران فنی پروژههای اینترنت اشیاء (IoT) و سامانههای ردیابی
ابزارها، پردازندهها و فریمورکهای مورد استفاده در طول دوره
سرفصلهای آموزشی ۸ جلسه کارگاهی
برنامه دقیق سرفصلها از مبانی مقدماتی تا استقرار مدل در سختافزار
مقدمات و راهاندازی محیط توسعه
مرور کدنویسی در محیط VSCode، دستورات کلیدی و ساختارهای ضروری زبان پایتون جهت ورود به مباحث هوش مصنوعی.
کلیات یادگیری ماشین و طرح مسئله
ضرورت استفاده از یادگیری ماشین در حل مسائل صنعتی و کنترل متغیرها؛ تفکیک مفاهیم هوش مصنوعی (AI)، یادگیری ماشین (ML) و یادگیری عمیق (DL).
سختافزارها و سیستمهای Embedded
مرور سیستمهای امبدد، پردازندههای STM32، آشنایی با ESP32 و Arduino، و بررسی پردازندههای شتابیافته اختصاصی هوش مصنوعی نظیر K210 و بردهای Maixduino.
الگوریتمها، ارزیابی و کدنویسی ML
مفاهیم داده، فیچر و لیبل؛ انواع یادگیری (Supervised, Unsupervised, RL)؛ پیادهسازی SVM، درخت تصمیم، KNN و شبکههای عصبی با Keras و Scikit-Learn؛ معیارهای ارزیابی (ماتریس سردرگمی، Accuracy، Precision، Recall) به همراه ۲ مینیپروژه.
کدنویسی عملیاتی STM32
مرور کدنویسی سختافزار، پروژههای عملی با برد آموزشی و پیادهسازی پروتکلهای ارتباطی استاندار برای تبادل داده سنسورها.
ابزارهای انتقال مدل به Embedded
معرفی بسترهای نرمافزاری TinyML، فریمورک TF Lite Micro، بستههای STM32Cube.AI و کتابخانه CMSIS-NN به همراه پلتفرم Edge Impulse و مقایسه فنی آنها.
بهینهسازی، کوانتیزاسیون و آمادهسازی
تکنیکهای فشردهسازی مدل شامل Pruning و Quantization؛ تبدیل مدل به فرمتهای ONNX، H5 و TFLite و تبدیل آرایه هگزادسیمال با ابزار xxd برای فلش روی حافظه میکرو.
استقرار مدل روی سختافزار STM32F407
پیادهسازی زنده مدل بهینهشده بر روی میکروکنترلر STM32F407، استنتاج آنی (Real-time Inference) ورودی سنسور و تست عملیاتی پروژه نهایی در محل کارگاه.
علاقهمند به شرکت در این دوره تخصصی هستید؟
جهت ثبتنام از طریق فرم الکترونیکی زیر اقدام نمایید و برای هماهنگی حضور و دریافت اطلاعات بیشتر، از طریق خطوط مستقیم دبیرخانه سندیکای شناسا با ما در ارتباط باشید.
فرم الکترونیکی ثبت نام در دوره