course_tinyML

Curso de aprendizado de máquina em sistemas embarcados

Tiny Machine Learning - TinyML

Professora: Rosana Rego

---

Este repositório abriga uma coleção de slides, material de leitura, solicitações de projetos e exemplos para você começar a criar seu próprio projeto de aprendizado de máquina em sistema embarcado.

Pré requisitos

Os alunos devem estar familiarizados com os seguintes tópicos para completar os exemplos de perguntas e tarefas práticas:

• Álgebra
  • Resolvendo equações lineares
• Probabilidade e Estatística
  • Expressando probabilidades de eventos independentes
  • Distribuições normais
  • Média e mediana
• Programação
  • Programação Arduino/C++ (condicionais, loops, arrays/buffers, ponteiros, funções)
  • Programação Python (condicionais, loops, arrays, funções, NumPy)

Hardware e Software Necessários

Os alunos precisarão de um computador e acesso à Internet para realizar treinamento em modelo de aprendizado de máquina e exercícios práticos com o Edge Impulse Studio e o Google Colab.

• É necessária uma conta do Google para o Google Colab.

• Um Edge Impulse é necessário para o Edge Impulse Studio.

• Os alunos precisarão instalar o Arduino IDE mais recente.

Cronograma de Estudos

• Módulo 1: Machine Learning embarcado
• Módulo 2: Iniciando com Deep Learning
• Módulo 3: Fluxo de trabalho com Machine Learning
• Módulo 4: Implantação de modelos
• Módulo 5: Classificação de imagens com aprendizado profundo

Material de apoio

• Curso TinyML
• Arduino Nano 33 BLE Sense
• Datasheet Arduino Nano 33 BLE

---

Módulo 1: Machine Learning Embarcado

Este módulo fornece uma visão geral do aprendizado de máquina e como ele pode ser usado para resolver problemas. Ele também introduz a ideia de executar algoritmos de aprendizado de máquina em dispositivos com recursos limitados, como microcontroladores.

Material

ID	Descrição	Links	Fonte
1.1.1	O que é machine learning	video slides	[1]
1.1.2	Machine learning em sistemas embarcados	video slides	[1]
1.1.3	O que é tiny machine learning	slides	[3]

Módulo 2: Iniciando com Deep Learning

Este módulo fornece uma visão geral das redes neurais e como elas podem ser usadas para fazer previsões.

ID	Description	Links	Attribution
2.1.1	O paradigma do aprendizado de máquina	slides	[3]
2.1.2	Pensando na perda	slides	[3]
2.1.3	Minimizando perdas	slides	[3]
2.1.5	Primeira rede neural	slides	[3]

Módulo 3: Fluxo de trabalho com Machine Learning

Neste módulo, os alunos compreenderão como os dados são coletados e usados para treinar um modelo de aprendizado de máquina. Eles terão a oportunidade de coletar seu próprio conjunto de dados, carregá-lo no Edge Impulse e treinar um modelo usando a interface gráfica. A partir daí, eles aprenderão como avaliar um modelo usando uma matriz de confusão para calcular precisão, recall, exatidão e pontuações F1.

Material

ID	Descrição	Links	Fonte
3.1.1	Aplicações TinyML	slides	[3]
3.1.3	Ciclo de vida do Machine learning	slides	[3]
3.1.3	Coletando dados com Edge Impulse	video slides	[1]

Treinando e validando o modelo de ML

ID	Descrição	Links	Fonte
3.2.1	Extração de recursos (features)	video slides	[1]
3.2.2	Seleção de features com Edge Impulse	video tutorial	[1]
3.2.3	Machine learning pipeline	video slides	[1]
3.2.4	Treinamento do modelo no dge impulse	video slides	[1]
3.2.5	Como avaliar um model	video slides	[1]
3.3.6	Underfitting e overfitting	video slides	[1]

Módulo 4: Implantação de modelos

Este módulo aborda as etapas para implantar um modelo de machine learning treinado no Edge Impulse em uma placa Arduino.

• Objetivos
  • Forneça exemplos de como o aprendizado de máquina embarcado pode ser usado para resolver problemas (onde outras formas de aprendizado de máquina seriam limitadas ou inadequadas);
  • Descrever os desafios associados à execução de algoritmos de aprendizado de máquina em sistemas embarcados
  • Descreva amplamente o que acontece durante o treinamento do modelo de aprendizado de máquina;
  • Demonstrar a capacidade de realizar inferência em um sistema embarcado para resolver um problema.

Microcontroladores embarcados

Material

ID	Descrição	Links	Fonte
4.1.1	Sistemas embarcados	slides	[3]
4.1.2	Arduino Nano 33 BLE Sense	doc	[3]
4.1.3	Hardware de computação embarcado	slides	[3]
4.1.4	Microcontroladores	doc	[3]
4.1.5	TinyML kit peripherals	slides	[3]
4.1.6	Software de ML embarcados	slides	[3]

Implantando um modelo em uma placa Arduino

Material

ID	Descrição	Links	Fonte
4.2.1	Usando um modelo para inferência	video slides	[1]
4.2.2	Testando inferência com um smartphone	video	[1]
4.2.3	Implantar modelo no Arduino	video slides	[1]
4.2.4	Implantar modelo no Arduino	tutorial

Módulo 5: Classificação de imagens com aprendizado profundo

Este módulo apresenta o conceito de classificação de imagens, por que ela é importante no aprendizado de máquina e como pode ser usada para resolver problemas. São abordadas operações de convolução e pooling, que formam os blocos de construção para redes neurais convolucionais (CNNs).

Classificação de imagens

Material

ID	Descrição	Links	Fonte
5.1.1	O que é visão computacional?	video	[2]
5.1.2	Visão geral das imagens digitais	video	[2]
5.1.3	Coleta de conjunto de dados	video	[2]
5.1.4	Visão geral da classificação de imagens	video	[2]
5.1.5	Treinando um classificador de imagens com Keras	video	[2]

Convolutional Neural Network (CNN)

Material

ID	Descrição	Links	Fonte
5.2.1	Convolução de imagem	video	[2]
5.2.2	Camada de pooling	video	[2]
5.2.3	Rede neural convolucional	video	[2]
5.2.4	CNN no keras	slides	[3]
5.2.5	Treinando uma CNN no Edge Impulse	video doc	[2]

Analisando CNNs, Data Augmentation e aprendizagem por transferência (transfer learning)

Material

ID	Descrição	Links	Fonte
5.3.1	Visualizações da CNN	video	[2]
5.3.2	Data augmentation	video	[2]
5.3.3	Evitando overfitting com aumento de dados	slides	[3]
5.3.4	Explorando funções de perda e otimizadores	doc	[3]
5.3.5	Transferir aprendizagem e MobileNet	video	[2]
5.3.6	Transfer learning com Edge Impulse	video slides	[2]

Fontes

[1] Slides and written material for “Introduction to Embedded Machine Learning” by Edge Impulse is licensed under CC BY-NC-SA 4.0

[2] Slides and written material for “Computer Vision with Embedded Machine Learning” by Edge Impulse is licensed under CC BY-NC-SA 4.0

[3] Slides and written material for “TinyML Courseware” by Prof. Vijay Janapa Reddi of Harvard University is licensed under CC BY-NC-SA 4.0

---

UFERSA - Campus Pau dos Ferros

This site is open source. Improve this page.