Neem contact met ons op

Cursusaanbod

Inleiding tot Edge AI en TinyML

  • Overzicht van AI-toepassingen op het randapparaat
  • Voordelen en beperkingen van kunstmatige intelligentie op apparaten
  • Praktijkvoorbeelden in robotica en automatisering

Basisprincipes van TinyML

  • Machine learning voor systemen met beperkte middelen
  • Quantisatie, pruning en compressie van modellen
  • Ondersteunde frameworks en hardwareplatformen

Modelontwikkeling en conversie

  • Lichte modellen trainen met TensorFlow of PyTorch
  • Modellen omzetten naar TensorFlow Lite en PyTorch Mobile
  • Testen en valideren van modelnauwkeurigheid

Implementatie van inferentie op het apparaat

  • AI-modellen implementeren op ingebedde boards zoals Arduino, Raspberry Pi en Jetson Nano
  • Inferentie combineren met robotperceptie- en besturingssystemen
  • In real-time voorspellingen uitvoeren en de prestaties monitoren

Optimalisatie voor betere Edge-prestaties

  • Vertraging en energiegebruik beperken
  • Gebruik van NPU's en GPUs voor hardwareversnelling
  • Benchmarken en profilen van ingebedde inferentiesystemen

Edge AI-frameworks en -tools

  • Werken met TensorFlow Lite en Edge Impulse
  • Mogelijkheden voor implementatie via PyTorch Mobile verkennen
  • Foutopsporing en optimalisatie van ML-werkstromen op ingebedde systemen

Praktische integratie en casestudies

  • Edge AI-perceptiesystemen ontwerpen voor robots
  • TinyML integreren in ROS-gebaseerde robotica-architecturen
  • Voorbeelden: autonome navigatie, objectdetectie en voorspellend onderhoud

Samenvatting en vervolgstappen

Vereisten

  • Grondige kennis van ingebedde systemen
  • Ervaring met programmeren in Python of C++
  • Basiskennis van machine learning-concepten

Doelgroep

  • Ontwikkelaars van ingebedde systemen
  • Robotica-ontwerpers en -ingenieurs
  • Systeemintegratoren die werken aan intelligente apparaten
 21 Uren

Aantal deelnemers


Prijs per deelnemer

Getuigenissen (2)

Voorlopige Aankomende Cursussen

Gerelateerde categorieën