دوره Embedded AI مقدماتی

دوره Embedded AI مقدماتی

نگاهی کلی به دوره آموزشی دوره Embedded AI مقدماتی

مدت دوره شهریه پیش نیاز
32 ساعت 10,100,000 تومان ARM STM32 مقدماتی
تقویم آموزشی و ثبت نام دوره arrow_backward
  • اشتراک در شبکه های اجتماعی

آشنایی با دوره Embedded AI مقدماتی

در این دوره دانشجو با مقدمات یادگیری ماشین آشنا می‌شود و الگوریتم‌های رایج را از سطح مبتدی می‌آموزد. او چند الگوریتم مهم را در VSCode و با زبان پایتون کدنویسی می‌کند و توانایی جمع‌آوری و آماده‌سازی دیتاست و آموزش مدل را کسب می‌کند.

در ادامه، مدل‌های آموزش‌داده‌شده برای اجرا روی دو پلتفرم سخت‌افزاری آماده می‌شوند: STM32F407 (در محیط Keil یا IAR) و K210 (برد Maixduino). دانشجو با استفاده از امکانات سخت‌افزاری برد، مدل را اجرا و عملکرد آن را (دقت، زمان inference و مصرف منابع) بررسی می‌کند.

 
 

 

 

سرفصل آموزشی دوره Embedded AI مقدماتی

مبانی و نقشه راه

  1. نقشه راه کلی دوره و ایجاد ذهنیت مناسب برای کار در حوزه Embedded AI

  2. هوش مصنوعی چیست؟ تفاوت آن با ML و DL

  3. ضرورت استفاده از یادگیری ماشین در حل مسائل و کنترل پارامترهای سیستم‌ها (طرح مسئله)

پایتون

  1. مرور کدنویسی در محیط VSCode و دستورات مهم زبان پایتون

  2. آشنایی با کتابخانه‌های NumPy، Pandas و Matplotlib برای کار با داده

مروری بر سیستم‌های Embedded و سخت‌افزار AI

  1. مفاهیم سیستم‌های Embedded و مروری بر پردازنده‌های STM32

  2. نگاهی کوتاه به پردازنده‌های دیگر مانند ESP32 و Arduino

  3. معرفی پردازنده‌های مخصوص کاربردهای AI، معرفی K210 و برد Maixduino و چند نمونه مشابه

مبانی یادگیری ماشین (رویکرد کاربردی)

  1. مفاهیم داده (data)، ویژگی (feature) و برچسب (label)

  2. انواع روش‌های یادگیری: با نظارت، بی‌نظارت و تقویتی

  3. مبانی ریاضی مورد نیاز در حد شهودی: بردار و ماتریس، تابع هزینه، گرادیان کاهشی

  4. جمع‌آوری و پیش‌پردازش داده: پاک‌سازی، نرمال‌سازی، تقسیم داده به train / validation / test

  5. مفاهیم overfitting و underfitting و راه‌های مقابله با آن‌ها

الگوریتم‌های رایج و کدنویسی آن‌ها

  1. ماشین بردار پشتیبان (SVM)، درخت تصمیم و KNN

  2. مبانی شبکه عصبی: نورون، تابع فعال‌سازی، لایه‌ها و backpropagation

  3. کدنویسی الگوریتم‌ها در پایتون با scikit-learn و Keras

ارزیابی عملکرد مدل

  1. ماتریس سردرگمی، Accuracy، Precision، Recall و F1

پروژه‌های یادگیری ماشین

  1. پروژه 1: تشخیص بیماران دیابتی در یک دیتاست پزشکی

  2. پروژه 2: پروژه طبقه‌بندی کار با داده‌های MNIST برای تشخیص دست‌خط و دیتاست iris

مرور STM32 و برد آموزشی نیرا

  1. مرور مختصر کدنویسی میکروکنترلرهای STM32 و انجام چند پروژه سریع با برد نیرا

  2. یادآوری پروتکل‌های ارتباطی مورد نیاز (UART، I2C، SPI)

انتقال مدل ML به دنیای Embedded

  1. معرفی ابزارهای مهم: TinyML، TF Lite Micro، STM32Cube.AI و Edge Impulse

  2. مقایسه ابزارها و بررسی مزایا و معایب آن‌ها

  3. تحلیل منابع روی MCU: مصرف Flash و RAM، زمان inference و تعداد MAC

 آماده‌سازی مدل برای سخت‌افزار

  1. بهینه‌سازی مدل: کوانتیزاسیون و Pruning

  2. تبدیل مدل h5 به tflite

  3. تبدیل مدل با ابزار nncase به kmodel برای K210

  4. سنجش افت دقت پس از کوانتیزاسیون (مقایسه float32 و int8)

 مسیر ایجاد پروژه روی سخت‌افزار

  1. تمرکز عمیق بر مسیر پیاده‌سازی مدل روی STM32F407 و برد نیرا

  2. آشنایی با محیط توسعه K210: MaixPy، کتابخانه‌های برد و بارگذاری با kflash

 

 
 

 

 

دریافت فایل سرفصل ها

پروژه ها و تمرین های دوره

 پروژه‌های عملی Embedded AI (2 پروژه اصلی + 1 پروژه اختیاری)

پروژه‌ها به ترتیب از آشنایی با یک پلتفرم تا مقایسه دو پلتفرم پیش می‌روند: پروژه 1 مسیر کامل را روی STM32 می‌بیند، پروژه 2 همان مسئله را روی K210 تکرار می‌کند و پروژه 3 (اختیاری و منوط به وجود زمان) یک مسئله جدولی را روی K210 پیاده می‌کند.
 

پروژه 1: تشخیص حرکت با IMU روی STM32F407 و برد آموزشی نیرا

مسئله: تشخیص چند حرکت ساده (مثلاً ایستاده، راه‌رفتن، تکان‌دادن) از روی داده شتاب‌سنج و ژیروسکوپ.

  • جمع‌آوری دیتای خود دانشجو از سنسور و برچسب‌گذاری آن

  • پیش‌پردازش سری زمانی: پنجره‌بندی (windowing)، فیلتر و استخراج ویژگی‌های آماری

  • آموزش مدل با Keras، کوانتیزاسیون، انتقال به STM32 و اجرا روی برد

خروجی پروژه: مدل اجراشده روی برد همراه با گزارش دقت، زمان inference و مصرف Flash و RAM

پروژه 2: تشخیص حرکت با IMU روی K210 (Maixduino)

مسئله: همان مسئله پروژه 1، اما روی پلتفرم K210 با سنسور IMU خارجی روی I2C.

  • جمع‌آوری دیتای جدید با سنسور متصل به K210 (بدون استفاده از دیتای پروژه 1)

  • مسیر تبدیل h5 ← tflite ← kmodel با nncase، بارگذاری با kflash و اجرا با MaixPy روی KPU

  • مقایسه نتیجه با پروژه 1: دقت، زمان inference، مصرف حافظه و سهولت پیاده‌سازی روی هر پلتفرم

خروجی پروژه: جدول مقایسه STM32 و K210 برای یک مسئله یکسان

پروژه 3 (اختیاری، در صورت وجود زمان): طبقه‌بندی روی دیتاست جدولی با K210 (Maixduino)

مسئله: پیش‌بینی یک برچسب از روی ویژگی‌های عددی (مثلاً تشخیص بیماران دیابتی با دیتاست پزشکی بخش 7)، بدون هیچ پردازش صوت یا تصویر.

  • آماده‌سازی دیتا: پاک‌سازی، نرمال‌سازی و تقسیم به train / validation / test

  • آموزش یک شبکه MLP کوچک با Keras و ارزیابی با ماتریس سردرگمی، Accuracy، Recall و Precision

  • تبدیل مدل با nncase به kmodel، بارگذاری با kflash و اجرای مدل با MaixPy روی برد

  • ارسال ورودی‌های نمونه به برد و مقایسه خروجی برد با خروجی مدل روی کامپیوتر

خروجی پروژه: مدل اجراشده روی K210 همراه با گزارش دقت و زمان inference

هدف: آشنایی با مسیر کامل K210 بدون وابستگی به صوت و تصویر، به عنوان مقدمه دوره پیشرفته

توصیه مدرس

رضا میرالوندی

مهندس رضا میرالوندی

کارشناس سیستم‌های نهفته و سخت‌افزارهای الکترونیکی
مهدی محمدی

مهندس مهدی محمدی

مدیر فنی نیراالکترونیک و کارشناس ارشد سیستم های نهفته و سخت افزارهای الکترونیکی

مدرس این دوره تاکید ویژه‌ای بر اهمیت تسلط بر مفاهیم پایه و درک عمیق چرایی و چگونگی پیاده‌سازی مدل‌های هوش مصنوعی دارد. این دوره، پلی است برای ورود به دنیای هیجان‌انگیز هوش مصنوعی و کاربردهای آن در سیستم‌های جاسازی‌شده، که نیازمند دقت، تمرین مستمر و روحیه پژوهشگری است.

نظر دانشجویان نیراسیستم درباره دوره دوره Embedded AI مقدماتی

در حال بروز رسانی ...

آینده شغلی دوره دوره Embedded AI مقدماتی

روش برگزاری دوره دوره Embedded AI مقدماتی

این دوره با رویکردی ترکیبی از مباحث نظری دقیق و کارگاه‌های عملی گسترده برگزار می‌شود. آغاز دوره با مرور مبانی پایتون و هوش مصنوعی همراه است و سپس به صورت گام به گام به مباحث پیشرفته‌تر نظیر طراحی، آموزش، ارزیابی و بهینه‌سازی مدل‌های یادگیری ماشین برای محیط‌های امبدد پرداخته می‌شود. تاکید ویژه بر پروژه‌های عملی و استفاده از ابزارهای صنعتی مرتبط، تجربه عملی ارزشمندی را برای شرکت‌کنندگان فراهم خواهد آورد.

توانایی دانشجو در پایان دوره دوره Embedded AI مقدماتی

در پایان دوره انتظار می‌رود دانشجو بتواند:

  1. برای یک مسئله موجود، دیتاست مورد نیاز را جمع‌آوری و پیش‌پردازش کند.

  2. مدل مناسب را با توجه به مسئله انتخاب، کدنویسی و آموزش دهد و عملکرد آن را با معیارهای مناسب بسنجد.

  3. مدل آموزش‌داده‌شده را بهینه‌سازی (کوانتیزاسیون) کرده و وارد محیط برنامه‌نویسی ARM STM32 و پلتفرم K210 کند.

  4. مدل را روی سخت‌افزار مربوطه (STM32F407 و Maixduino) به‌کار گرفته، پروژه را راه‌اندازی کند و عملکرد آن (دقت، زمان inference، مصرف Flash و RAM) را بسنجد.

سوالات متداول دانشجویان

برای یادگیری Embedded AI چه پیش‌نیازی لازم است؟
دوره Embedded AI نیراسیستم ویژه افرادی طراحی شده که به سرفصل‌های دوره  میکروکنترلرARMSTM32  مقدماتی به‌صورت کامل مسلط هستند.

 آیا امکان ثبت نام بصورت اقساطی وجود دارد؟
بله، با استفاده از درگاه اسنپ پی می توانید دوره مورد نظر خود را در 4 قسط پرداخت کنید .

آیا در این دوره ChatGPT آموزش داده می شود؟
خیر، شرکت کنندگان در این دوره استفاده از الگوریتم های هوش مصنوعی در سیستم های نهفته را آموزش خواهند دید.
 
آیا در انتهای دوره برای شرکت‌کنندگان گواهینامه صادر می‌شود؟
درصورتی‌که دانشجو در پایان دوره نمره‌ی لازم را کسب کند، موفق به دریافت گواهینامه خواهد شد. حد نصاب نمره 70 از 100 بوده و از مجموع نمرات فعالیت‌های کلاسی، کوییزها، تمرینات و آزمون پایانی دانشجو محاسبه می‌شود.
 
آیا برای این دوره جزوه یا کتاب خاصی باید خریداری شود؟
در تمامی دوره‌های آموزشی کتاب‌ها، مراجع و فایل‌های آموزشی مختلفی توسط اساتید معرفی می‌گردد.
 
نحوه برگزاری آزمون پایانی دوره به چه صورت است؟ 
مدت زمان مشخصی از جلسه پایانی هر دوره به برگزاری آزمون اختصاص می‌یابد. این آزمون کاملاً عملی بوده و سوال مطرح‌شده در قالب یک پروژه‌ی ترکیبی ارائه می‌شود. 

پاسخ به پرسش های شما

سوال یا نظر خودتان را برای ما ارسال کنید. ایمیل شما در کنار اسم و پیامتان منتشر نخواهد شد.

info

قوانین آموزشگاه arrow_backward

از قوانین آموزشگاه قبل از ثبت نام آگاه شوید

می خواهم ثبت نام کنمarrow_backward

با مشاهده تقویم آموزشی دوره دوره Embedded AI مقدماتی ثبت نام کنید

Make the future now

آینده را اکنون بساز

عضویت در باشگاه نیراسیستم یا نیاز به مشاوره دارم