آموزش یادگیری ماشین کوچک با آردوینو نانو RP2040 Connect - آخرین آپدیت

دانلود TinyML with Arduino Nano RP2040 Connect

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره:

آموزش توسعه مدل‌های یادگیری ماشین برای میکروکنترلرهای کوچک و کم‌مصرف (TinyML)

در این آموزش، به توسعه مدل‌های یادگیری ماشین برای میکروکنترلرهای کوچک و کم‌مصرف مانند Arduino Nano RP2040 Connect می‌پردازیم. TinyML یک حوزه در حال رشد است که امکان اجرای الگوریتم‌های یادگیری ماشین را بر روی دستگاه‌های کم‌مصرف فراهم می‌کند.

اهداف دوره:

  • شناخت الزامات سخت‌افزاری برای توسعه مدل‌های یادگیری ماشین برای میکروکنترلرهای کوچک.
  • درک چارچوب توسعه TinyML.
  • ایجاد پروژه‌های TinyML بر اساس تشخیص حرکات دست.
  • توسعه مدل‌های TinyML با تشخیص کلمات کلیدی صوتی.
  • ایجاد مدل‌های طبقه‌بندی سفارشی با استفاده از طبقه‌بند درخت تصمیم (Decision Tree) از کتابخانه Scikit-learn.

پیش‌نیازها:

  • برد Arduino Nano RP2040 Connect
  • کابل USB
  • رایانه شخصی/لپ‌تاپ
  • دانش اولیه Arduino IDE
  • دانش اولیه یادگیری ماشین
  • دانش اولیه C/C++ تعبیه‌شده (Embedded C/C++)

برای توسعه مدل‌ها از ابتدا، نیاز به درک اولیه از زبان‌های Python، Numpy و Pandas دارید تا بتوانید کدها را درک کنید. کد منبع ارائه شده است و اگر در Python تازه‌کار هستید، می‌توانید به راحتی کد را درک کنید. این آموزش با ویدیوهای آموزشی همراه است که مفاهیم را به خوبی توضیح می‌دهد.

توجه: این دوره هنوز نهایی نشده است. همانطور که می‌دانید، حوزه TinyML به طور مداوم در حال رشد و توسعه است. بنابراین، بخش‌های بیشتری با توضیحات نظری و ایده‌های پروژه‌های عملی در آینده نزدیک اضافه خواهد شد.

یادگیری ماشین کوچک (TinyML) که دستگاه‌های باتری‌دار را هدف قرار می‌دهد، به طور گسترده به عنوان یک زمینه در حال گسترش سریع از فناوری‌ها و برنامه‌های یادگیری ماشین تعریف می‌شود که شامل سخت‌افزار (مدارهای مجتمع اختصاصی)، الگوریتم‌ها و نرم‌افزاری است که می‌تواند تجزیه و تحلیل داده‌های حسگر را در دستگاه با مصرف انرژی بسیار کم، معمولاً در محدوده میلی‌وات و کمتر، انجام دهد. این کار، نیاز به ارسال داده‌ها به فضای ابری برای طبقه‌بندی را حذف می‌کند و در نتیجه امنیت بیشتری را فراهم می‌کند. همچنین، پردازنده‌های پرمصرف با یک میکروکنترلر کوچک (MCU) جایگزین می‌شوند. البته محدودیت‌هایی وجود دارد. این محدودیت‌ها ناشی از منابع سخت‌افزاری محدود، سرعت کلاک و غیره است. با این حال، چندین حوزه کاربردی وجود دارد که محاسبات بالایی مورد نیاز نیست و یک راه‌حل مبتنی بر یادگیری ماشین مطلوب است. در این حالت، TinyML وارد عمل می‌شود. می‌توان از آن برای تشخیص ناهنجاری‌ها در ماشین‌آلات در یک کارخانه، پیش‌بینی نیازهای تعمیر و نگهداری ابزارها، در زمینه مراقبت‌های بهداشتی و غیره استفاده کرد. دامنه کاربرد TinyML وسیع است و آینده‌ای روشن دارد.

هدف اصلی این دوره، آشنایی با توسعه TinyML، از جمع‌آوری داده‌ها، آموزش مدل، آزمایش و استقرار است. یک برد Arduino Nano RP2040 Connect کم‌هزینه با 265 کیلوبایت RAM و 16 مگابایت فلش و سنسورهای شتاب‌سنج، ژیروسکوپ، میکروفون، حسگر دما و ماژول اتصال بی‌سیم (WiFi+Bluetooth) در این دوره استفاده می‌شود و تمام مثال‌های ارائه شده در این دوره بر روی این برد آزمایش شده‌اند.


سرفصل ها و درس ها

مقدمه Introduction

  • مقدمه Introduction

شروع کار با برد Nano RP2040 connect Getting Started with Nano RP2040 connect board

  • بررسی اجمالی و مشخصات Overview and Specification

  • راه‌اندازی محیط Arduino IDE و تست برد Setting up Arduino IDE and testing the board

  • تست شتاب‌سنج و ژیروسکوپ داخلی Testing on-board Accelerometer and Gyroscope

  • تست میکروفن داخلی Testing on-board Microphone

  • تست LED سه‌رنگ داخلی Testing on-board Tri-color LED

چارچوب توسعه TinyML TinyML Development Framework

  • راه‌اندازی چارچوب توسعه Setting up development framework

  • بارگذاری مجموعه داده Loading dataset

  • پیکربندی بلوک‌های پردازش Configuring processing blocks

تشخیص حرکات دست: حرکات موجی و دایره‌ای Hand Gesture Recognition: Wavy and Circular Gesture

  • آماده‌سازی مجموعه داده Dataset preparation

  • پیش‌پردازش و آموزش Pre-processing and training

  • استقرار مدل و تست سخت‌افزاری Model deployment and hardware testing

تشخیص صدا: LED RGB کنترل شده با صدا Audio Recognition: Voice Controlled RGB LED

  • جمع‌آوری نمونه‌های صوتی Audio sample collection

  • پیش‌پردازش و آموزش مدل Preprocessing and Model training

  • استقرار مدل و تست سخت‌افزاری Model deployment and Hardware testing

طبقه‌بندی گربه-سگ بر اساس صدای پارس آن‌ها Cat-Dog Classification based upon their barking sound

  • طبقه‌بندی گربه-سگ بر اساس صدای میو یا پارس آن‌ها Cat-Dog classification based on meow or barking sound

توسعه مدل TinyML خود از ابتدا در پایتون و استقرار در Arduino Develop your TinyML model from Scratch in Python and deploy in Arduino

  • مقدمه و هدف Introduction and Objective

  • آماده‌سازی مجموعه داده: ضبط داده‌های شتاب‌سنج Dataset preparation: Recording Accelerometer data

  • ایجاد دفترچه یادداشت Jupyter و آپلود داده‌ها Creating Jupyter notebook and uploading data

  • تجسم داده‌ها و شناسایی ویژگی‌های مهم Visualize the data and identify important features

  • ایجاد فریم لغزشی و استخراج ویژگی‌های آماری Sliding frame creation and statistical feature extraction

  • آموزش و پیش‌بینی مدل: امتیاز دقت و ماتریس درهم‌ریختگی Model training and prediction: Accuracy score and Confusion matrix

  • استقرار مدل به کد C سازگار با Arduino Model Deployment to Arduino compatible C code

  • بخش-1: پیاده‌سازی در Arduino و درک کد Part-1: Implementation in Arduino and understand the code

  • بخش-2: درک کد و توابع استخراج ویژگی Part-2: Understanding the code and feature extraction functions

  • تست مدل برای تشخیص حرکت Model testing for detection of Gesture

نمایش نظرات

آموزش یادگیری ماشین کوچک با آردوینو نانو RP2040 Connect
جزییات دوره
2.5 hours
26
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
182
4.3 از 5
دارد
دارد
دارد
Subir Maity
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Subir Maity Subir Maity

محقق و دانشگاهیان