دوره عملی TinyML از LinkedIn Learning یکی از کامل‌ترین و به‌روزترین آموزش‌ها در حوزه یادگیری ماشینی لبه‌ای (Edge ML) است که در تاریخ ۲۰۲۲-۰۷ منتشر شده است. در این دوره، با استفاده از ابزارها و کتابخانه‌های متن‌باز مانند TensorFlow Lite Micro و پلتفرم‌هایی نظیر Arduino Nano 33 و STM32، شما قدم‌به‌قدم یاد می‌گیرید چگونه مدل‌های یادگیری عمیق کم‌حجم را طراحی، آموزش، بهینه‌سازی و مستقر کنید.

هدف این دوره، آشنا کردن دانشجویان با ملاحظات سخت‌افزاری و نرم‌افزاری در محیط‌های دارای محدودیت منابع (رم، پردازنده، مصرف انرژی) و اجرای مدل‌های ML به‌صورت بلادرنگ روی میکروکنترلرها است. آموزش‌ها به‌صورت عملی و پروژه‌محور ارائه می‌شوند تا پس از پایان دوره، قادر باشید از مفاهیم در پروژه‌های واقعی IoT و دستگاه‌های هوشمند خود استفاده کنید.

• معرفی TinyML و تفاوت آن با ML سنتی
• ساختار و معماری مدل‌های کم‌حجم با TensorFlow Lite Micro
• آموزش مقدماتی ابزارهای سخت‌افزاری: بردهای Arduino، STM32 و Raspberry Pi Pico
• پیش‌پردازش داده‌ها و استخراج ویژگی‌ها برای کاربردهای صوتی و تصویری
• آموزش و تبدیل مدل در محیط دسکتاپ
• بهینه‌سازی مدل: Quantization، Pruning و ترفندهای کاهش حجم
• مراحل استقرار مدل روی میکروکنترلر و اجرا در زمان واقعی
• آشنایی با ابزارهای اشکال‌زدایی و پروفایلینگ مصرف حافظه و انرژی
• پروژه‌های نهایی: تشخیص کلمه (Keyword Spotting)، تشخیص حرکت و طبقه‌بندی تصویر

• درک مفهوم TinyML و مزایای آن در کاربردهای لبه‌ای
• نصب و راه‌اندازی محیط توسعه شامل Arduino IDE و STM32CubeIDE
• ایجاد مدل‌های ساده شبکه عصبی در TensorFlow و انتقال به TensorFlow Lite
• اعمال تکنیک‌های Quantization برای کاهش حجم مدل بدون افت کیفیت محسوس
• استفاده از کتابخانه TensorFlow Lite Micro برای اجرای مدل روی میکروکنترلر
• پیکربندی و استفاده از ماژول‌های میکروفون و دوربین جهت جمع‌آوری داده
• تست بلادرنگ و اعتبارسنجی خروجی مدل در شرایط محیطی واقعی
• مانیتورینگ مصرف حافظه، سرعت اجرا و بهینه‌سازی انرژی برای اجراهای طولانی
• طراحی پروژه‌های نهایی همچون تشخیص دست نوشته یا فرمان صوتی

• آشنایی پایه با زبان برنامه‌نویسی Python
• درک مقدماتی از مفاهیم یادگیری ماشینی و شبکه‌های عصبی
• آشنایی با محیط‌های توسعه Embedded مثل Arduino IDE یا PlatformIO
• داشتن دانش اولیه الکترونیک و کار با میکروکنترلرها
• دسترسی به یک برد میکروکنترلر مانند Arduino Nano 33 BLE Sense یا STM32

فناوری TinyML امکان پیاده‌سازی مدل‌های یادگیری ماشینی را با مصرف بسیار کم انرژی و حافظه فراهم می‌کند. این توانایی، راه را برای کاربردهای متنوعی مانند دستگاه‌های پوشیدنی هوشمند، حسگرهای محیطی کم‌مصرف و ربات‌های کوچک هموار می‌سازد.

• ارسال نکردن داده‌ها به فضای ابری و تضمین حریم خصوصی کاربر
• پاسخ سریع بلادرنگ (Latency پایین) در تشخیص رویدادها
• کاهش هزینه‌های عملیاتی و مصرف پهنای‌باند
• استفاده در محیط‌های دورافتاده بدون اتصال شبکه

مثال ۱: تشخیص کلمه «سلام» با میکروفون داخلی برد Arduino Nano 33 BLE Sense. شما داده‌های صوتی را ضبط، ویژگی‌های MFCC را استخراج و یک مدل ساده شبکه عصبی برای تشخیص کلمه آموزش می‌دهید. سپس مدل را Quantize کرده و روی میکروکنترلر اجرا می‌کنید.

مثال ۲: تشخیص حرکت دست با شتاب‌سنج و ژیروسکوپ داخلی یک برد STM32. پس از جمع‌آوری داده‌های حرکتی، یک مدل LSTM کوچک پیاده‌سازی و بهینه می‌کنید تا انواع حرکات (چرخش، تکان عرضی، تکان طولی) را در زمان واقعی طبقه‌بندی کند.

برای دانلود رایگان نرم‌افزار دوره عملی TinyML کافی است وارد لینک مرتبط با پلتفرم دانلود (کلیک و ثبت‌نام رایگان) شوید. فایل‌های تمرینی، سورس‌کدها و جزوات آموزشی به‌صورت بسته شده آماده دریافت است و پس از استخراج، می‌توانید پروژه‌ها را در محیط‌های توسعه خود اجرا کنید.

• همیشه مدل خود را قبل از استقرار با ابزارهای پروفایلینگ تست کنید.
• Quantization را با دقت انتخاب کرده و تاثیر آن بر دقت مدل را بسنجید.
• برای جمع‌آوری داده‌های باکیفیت، نویز محیطی را به حداقل برسانید.
• مراقب محدودیت حافظه و مصرف انرژی باشید، زیرا ممکن است باعث کرش یا خاموشی دستگاه شود.
• از نمونه پروژه‌های نهایی به‌عنوان الگو برای پروژه‌های شخصی استفاده کنید.

دوره عملی TinyML از LinkedIn Learning فرصت بسیار مناسبی است تا ضمن آشنایی با جدیدترین تکنیک‌های یادگیری ماشینی لبه‌ای، مهارت‌های خود را در زمینه طراحی و استقرار مدل‌ها روی دستگاه‌های کم‌مصرف بهبود دهید. با دانلود رایگان نرم‌افزار و تمرین مستمر، می‌توانید پروژه‌های خلاقانه در حوزه IoT، رباتیک و هوش مصنوعی لبه‌ای بسازید و در بازار کار تخصصی این حوزه بدرخشید.