4.8
étoiles
477 évaluations

96 %

Shawn Hymel +1 enseignant de plus

26 352 déjà inscrits

Offert par

Introduction to Embedded Machine Learning

Edge Impulse

À propos de ce cours

51 211 consultations récentes

Machine learning (ML) allows us to teach computers to make predictions and decisions based on data and learn from experiences. In recent years, incredible optimizations have been made to machine learning algorithms, software frameworks, and embedded hardware. Thanks to this, running deep neural networks and other complex machine learning algorithms is possible on low-power devices like microcontrollers.
This course will give you a broad overview of how machine learning works, how to train neural networks, and how to deploy those networks to microcontrollers, which is known as embedded machine learning or TinyML. You do not need any prior machine learning knowledge to take this course. Familiarity with Arduino and microcontrollers is advised to understand some topics as well as to tackle the projects. Some math (reading plots, arithmetic, algebra) is also required for quizzes and projects.

We will cover the concepts and vocabulary necessary to understand the fundamentals of machine learning as well as provide demonstrations and projects to give you hands-on experience.

Dates limites flexibles

Réinitialisez les dates limites selon votre disponibilité.

Certificat partageable

Obtenez un Certificat lorsque vous terminez

100 % en ligne

Commencez dès maintenant et apprenez aux horaires qui vous conviennent.

Niveau intermédiaire

Some math (reading plots, arithmetic, and algebra) is required in the course. Recommended to have experience with embedded systems (e.g. Arduino).

Approx. 17 heures pour terminer

Anglais

Votre entreprise pourrait-elle bénéficier de la formation des employés à des compétences recherchées ?

Essayez Coursera pour les affaires

Ce que vous allez apprendre

The basics of a machine learning system
How to deploy a machine learning model to a microcontroller
How to use machine learning to make decisions and predictions in an embedded system

Compétences que vous acquerrez

Arduino
Machine Learning
Embedded System Design
Microcontroller
Computer Programming

Dates limites flexibles

Réinitialisez les dates limites selon votre disponibilité.

Certificat partageable

Obtenez un Certificat lorsque vous terminez

100 % en ligne

Commencez dès maintenant et apprenez aux horaires qui vous conviennent.

Niveau intermédiaire

Some math (reading plots, arithmetic, and algebra) is required in the course. Recommended to have experience with embedded systems (e.g. Arduino).

Approx. 17 heures pour terminer

Anglais

Votre entreprise pourrait-elle bénéficier de la formation des employés à des compétences recherchées ?

Essayez Coursera pour les affaires

Enseignants

Évaluation de l'enseignant

4,83/5 (208 évaluations)

Shawn Hymel

Instructor

32 940 étudiants

2 cours

Alexander Fred-Ojala

26 352 étudiants

1 cours

Offert par

Edge Impulse

Edge Impulse is the leading development platform for machine learning on edge devices, free for developers and trusted by enterprises. Founded in 2019 by Zach Shelby and Jan Jongboom, we are on a mission to enable developers to create the next generation of intelligent devices. We believe that machine learning can enable positive change in society, and we are dedicated to support applications for good.

Découvrez comment les employés des entreprises prestigieuses maîtrisent des compétences recherchées

En savoir plus sur Coursera pour les affaires

Programme de cours : ce que vous apprendrez dans ce cours

Évaluation du contenu96%(1,734 évaluations)

Semaine

Semaine 1

6 heures pour terminer

Introduction to Machine Learning

In this module, we will introduce the concept of machine learning, how it can be used to solve problems, and its limitations. We will also cover how machine learning on embedded systems, such as single board computers and microcontrollers, can be effectively used to solve problems and create new types of computer interfaces. Then, we will introduce the Edge Impulse tool and collect motion data for a "magic wand" demo. Finally, we will examine the various features that can be calculated from this raw motion data, including root mean square (RMS), Fourier transform, and power spectral density (PSD).

6 heures pour terminer

13 vidéos (Total 107 min), 14 lectures, 5 quiz

13 vidéos

Welcome to the Course4 min

Instructor Introductions3 min

What is Machine Learning?15 min

Limitations and Ethics of Machine Learning12 min

Machine Learning on Embedded Devices5 min

Machine Learning Specific Hardware13 min

Machine Learning Software Frameworks7 min

Getting Started with Edge Impulse6 min

Data Collection14 min

Feature Extraction from Motion Data10 min

Feature Selection in Edge Impulse4 min

Machine Learning Pipeline6 min

Review of Module 12 min

14 lectures

Syllabus5 min

Required Hardware5 min

Getting Help2 min

Slides10 min

Limitations of Machine Learning15 min

Slides10 min

Machine Learning on Microcontrollers5 min

Slides10 min

Edge Impulse CLI Installation Troubleshooting10 min

What Makes a Good Dataset5 min

Slides10 min

Feature Selection and Extraction5 min

Slides10 min

5 exercices pour s'entraîner

Machine Learning and Limitations15 min

Embedded Machine Learning15 min

Data Collection15 min

Feature Extraction15 min

Machine Learning Overview30 min

Semaine

Semaine 2

6 heures pour terminer

Introduction to Neural Networks

In this module, we will look at how neural networks work, how to train them, and how to use them to perform inference in an embedded system. We will continue the previous demo of creating a motion classification system using motion data collected from a smartphone or Arduino board. Finally, we will challenge you with a new motion classification project where you will have the opportunity to implement the concepts learning in this module and the previous module.

6 heures pour terminer

10 vidéos (Total 77 min), 10 lectures, 5 quiz

10 vidéos

Introduction to Neural Networks15 min

Model Training in Edge Impulse7 min

How to Evaluate a Model10 min

Underfitting and Overfitting6 min

How to Use a Model for Inference6 min

Testing Inference with a Smartphone3 min

How to Deploy a Trained Model to Arduino9 min

Anomaly Detection8 min

Industrial Embedded Machine Learning Demo4 min

Module Review3 min

10 lectures

Neural Networks and Training5 min

Slides10 min

Evaluation, Underfitting, and Overfitting5 min

Slides10 min

Using a Model for Inference5 min

Slides10 min

Anomaly Detection5 min

Slides10 min

Project - Motion Detection2 h

Slides10 min

5 exercices pour s'entraîner

Neural Networks and Training15 min

Evaluation, Underfitting, and Overfitting15 min

Deploy Model to Embedded System15 min

Anomaly Detection5 min

Motion Classification and Anomaly Detection30 min

Semaine

Semaine 3

6 heures pour terminer

Audio classification and Keyword Spotting

In this module, we cover audio classification on embedded systems. Specifically, we will go over the basics of extracting mel-frequency cepstral coefficients (MFCCs) as features from recorded audio, training a convolutional neural network (CNN) and deploying that neural network to a microcontroller. Additionally, we dive into some of the implementation strategies on embedded systems and talk about how machine learning compares to sensor fusion.

6 heures pour terminer

9 vidéos (Total 75 min), 7 lectures, 4 quiz

9 vidéos

Introduction to Audio Classification7 min

Audio Data Capture11 min

Audio Feature Extraction10 min

Introduction to Convolutional Neural Networks11 min

Modifying the Neural Network10 min

Deploy Keyword Spotting System6 min

Implementation Strategies10 min

Sensor Fusion3 min

Conclusion2 min

7 lectures

Sample Rate and Bit Depth5 min

Slides10 min

MFCCs and CNNs5 min

Slides10 min

Implementation Strategies and Sensor Fusion5 min

Slides10 min

Project - Sound Classification2 h

4 exercices pour s'entraîner

Audio Classification and Sampling Audio Signals10 min

MFCCs and CNNs15 min

Implementation Strategies15 min

Audio Classification30 min

Avis

4.8

122 avis

5 stars
81,76 %
4 stars
16,35 %
3 stars
1,67 %
1 star
0,20 %

Meilleurs avis pour INTRODUCTION TO EMBEDDED MACHINE LEARNING

par SA17 févr. 2021

ML on embedded systems is an exciting and growing technology and business domain. This course is a great place to start learning about it.

par MK31 mars 2021

The Course is really Helpful for me. It just gave me a good and basic idea of where to start if i want to implement machine learning in the microcontroller.

par MZ20 juil. 2021

Best courser, as we are not just learning about the Embedded ML, as we also learn the fundamentals of ML.

par SS23 sept. 2021

Thanks for detailed and well introduced topics, I enjoyed this course. I had prior knowledge in neural networks but this course was awsome for introducting ML for microcontrollers.

Voir tous les avis

Foire Aux Questions

Quand aurai-je accès aux vidéos de cours et aux devoirs ?
L’accès à des vidéos de cours et des devoirs dépend de votre type d’inscription. Si vous suivez un cours en mode auditeur libre, vous pourrez voir la plupart des contenus de cours gratuitement. Pour accéder aux devoirs notés et obtenir un certificat, vous devrez acheter une expérience de certificat, pendant ou après avoir assister au cours en tant qu’auditeur libre. Si vous ne visualisez pas l’option auditeur libre :
Il est possible que le cours ne propose pas d’option auditeur libre. Vous pouvez en revanche accéder à un essai gratuit ou faire une demande d'aide financière.
Le cours propose peut-être « Cours complet, aucun certificat » à la place. Cette option vous permet de voir tous les contenus de cours, de soumettre les évaluations requises et d'obtenir une note finale. Cependant, vous ne pourrez pas acheter une expérience de certificat.
À quoi ai-je droit si j'achète le Certificat ?
Lorsque vous achetez un Certificat, vous bénéficiez d'un accès à tout le contenu du cours, y compris les devoirs notés. Lorsque vous avez terminé et réussi le cours, votre Certificat électronique est ajouté à votre page Accomplissements. À partir de cette page, vous pouvez imprimer votre Certificat ou l'ajouter à votre profil LinkedIn. Si vous souhaitez seulement lire et visualiser le contenu du cours, vous pouvez accéder gratuitement au cours en tant qu'auditeur libre.
Une aide financière est-elle possible ?
Oui. Dans certains programmes d’apprentissage, vous pouvez demander une aide financière ou une bourse d’études si vous ne pouvez pas payer les frais d’inscription. Si une aide financière ou une bourse d’études est disponible pour le programme d’apprentissage choisi, vous trouverez un lien pour faire une demande sur la page de description.
Do I need to buy hardware to take this course?
No hardware is required to complete the course. However, we recommend purchasing an Arduino Nano 33 BLE Sense in order to do the optional projects. Links to sites that sell the board will be provided in the course.
What prior knowledge do I need?
We recommend having some experience with embedded systems (such as programming an Arduino board or other microcontroller) and familiarity with the C/C++ language(s). No prior machine learning knowledge is required (but if you do have some, this course might be a good review). You will be required to use some math (reading plots, arithmetic, and algebra) to complete the quizzes and projects.

D'autres questions ? Visitez le Centre d'Aide pour les Étudiants.

Développez les compétences de vos employés, obtenez des résultats commerciaux

Découvrez Coursera pour les affaires

Introduction to Embedded Machine Learning

Introduction to Embedded Machine Learning

À propos de ce cours

Ce que vous allez apprendre

Compétences que vous acquerrez