4.8
estrellas
497 calificaciones

96 %

Shawn Hymel +1 instructores más

28.252 ya inscrito

Ofrecido Por

Introduction to Embedded Machine Learning

Impulso Edge

Acerca de este Curso

55.504 vistas recientes

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.

Fechas límite flexibles

Restablece las fechas límite en función de tus horarios.

Certificado para compartir

Obtén un certificado al finalizar

100 % en línea

Comienza de inmediato y aprende a tu propio ritmo.

Laboratorios de Coursera

Incluye proyectos de aprendizaje prácticos.

Obtén más información sobre los laboratorios de Coursera

Nivel intermedio

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

Aprox. 17 horas para completar

Inglés (English)

¿Podría tu empresa beneficiarse de la capacitación de los empleados en las habilidades más demandadas?

Prueba Coursera para negocios

Qué aprenderás

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

Habilidades que obtendrás

Arduino
Machine Learning
Embedded System Design
Microcontroller
Computer Programming

Fechas límite flexibles

Restablece las fechas límite en función de tus horarios.

Certificado para compartir

Obtén un certificado al finalizar

100 % en línea

Comienza de inmediato y aprende a tu propio ritmo.

Laboratorios de Coursera

Incluye proyectos de aprendizaje prácticos.

Obtén más información sobre los laboratorios de Coursera

Nivel intermedio

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

Aprox. 17 horas para completar

Inglés (English)

¿Podría tu empresa beneficiarse de la capacitación de los empleados en las habilidades más demandadas?

Prueba Coursera para negocios

Instructores

Calificación del instructor

4,83/5 (214 calificaciones)

Shawn Hymel

Instructor

35.379 alumnos

2 cursos

Alexander Fred-Ojala

28.252 alumnos

1 curso

Ofrecido por

Impulso Edge

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.

Mira cómo los empleados de las mejores empresas dominan las habilidades más demandadas

Obtén más información sobre Coursera para Empresas

Programa - Qué aprenderás en este curso

Calificación del contenido96%(1,794 calificaciones)

Semana1

Semana 1

6 horas para completar

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 horas para completar

13 videos (Total 107 minutos), 14 lecturas, 5 cuestionarios

13 videos

Welcome to the Course4mInstructor Introductions3mWhat is Machine Learning?15mLimitations and Ethics of Machine Learning12mMachine Learning on Embedded Devices5mMachine Learning Specific Hardware13mMachine Learning Software Frameworks7mGetting Started with Edge Impulse6mData Collection14mFeature Extraction from Motion Data10mFeature Selection in Edge Impulse4mMachine Learning Pipeline6mReview of Module 12m

14 lecturas

Syllabus5mRequired Hardware5mGetting Help2mSlides10mLimitations of Machine Learning15mSlides10mMachine Learning on Microcontrollers5mSlides10mEdge Impulse CLI Installation Troubleshooting10mWhat Makes a Good Dataset5mSlides10mFeature Selection and Extraction5mSlides10mSlides10m

5 ejercicios de práctica

Machine Learning and Limitations15mEmbedded Machine Learning15mData Collection15mFeature Extraction15mMachine Learning Overview30m

Semana2

Semana 2

6 horas para completar

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 horas para completar

10 videos (Total 77 minutos), 10 lecturas, 5 cuestionarios

10 videos

Introduction to Neural Networks15mModel Training in Edge Impulse7mHow to Evaluate a Model10mUnderfitting and Overfitting6mHow to Use a Model for Inference6mTesting Inference with a Smartphone3mHow to Deploy a Trained Model to Arduino9mAnomaly Detection8mIndustrial Embedded Machine Learning Demo4mModule Review3m

10 lecturas

Neural Networks and Training5mSlides10mEvaluation, Underfitting, and Overfitting5mSlides10mUsing a Model for Inference5mSlides10mAnomaly Detection5mSlides10mProject - Motion Detection2hSlides10m

5 ejercicios de práctica

Neural Networks and Training15mEvaluation, Underfitting, and Overfitting15mDeploy Model to Embedded System15mAnomaly Detection5mMotion Classification and Anomaly Detection30m

Semana3

Semana 3

6 horas para completar

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 horas para completar

9 videos (Total 75 minutos), 7 lecturas, 4 cuestionarios

9 videos

Introduction to Audio Classification7mAudio Data Capture11mAudio Feature Extraction10mIntroduction to Convolutional Neural Networks11mModifying the Neural Network10mDeploy Keyword Spotting System6mImplementation Strategies10mSensor Fusion3mConclusion2m

7 lecturas

Sample Rate and Bit Depth5mSlides10mMFCCs and CNNs5mSlides10mImplementation Strategies and Sensor Fusion5mSlides10mProject - Sound Classification2h

4 ejercicios de práctica

Audio Classification and Sampling Audio Signals10mMFCCs and CNNs15mImplementation Strategies15mAudio Classification30m

Reseñas

4.8

125 reseña

5 stars
82,34 %
4 stars
15,87 %
3 stars
1,58 %
1 star
0,19 %

Principales reseñas sobre INTRODUCTION TO EMBEDDED MACHINE LEARNING

por JH9 de jun. de 2021

A really good introduction to Embedded Machine Learning! Shows the basics of machine learning and teaches how to apply it yourself with only the need of your smartphone. Totally recommended!

por MC14 de dic. de 2021

It was a good start for those who do not have prior knowledge on Machine Learning. It was a motivating course.

por SJ18 de ago. de 2021

Awesome course for beginners. I don't know how much of my background helped make this awesome, but it is awesome.

por MR11 de ago. de 2022

Great course for students interested in deploying machine learning models into embedded devices. Arduino module is not mandatory but will help alot fo doing more clomplex projects.

Ver todas las reseñas

Preguntas Frecuentes

¿Cuándo podré acceder a las lecciones y tareas?
El acceso a las clases y las asignaciones depende del tipo de inscripción que tengas. Si tomas un curso en modo de oyente, verás la mayoría de los materiales del curso en forma gratuita. Para acceder a asignaciones calificadas y obtener un certificado, deberás comprar la experiencia de Certificado, ya sea durante o después de participar como oyente. Si no ves la opción de oyente:
es posible que el curso no ofrezca la opción de participar como oyente. En cambio, puedes intentar con una Prueba gratis o postularte para recibir ayuda económica.
Es posible que el curso ofrezca la opción 'Curso completo, sin certificado'. Esta opción te permite ver todos los materiales del curso, enviar las evaluaciones requeridas y obtener una calificación final. También significa que no podrás comprar una experiencia de Certificado.
¿Qué recibiré si compro el Certificado?
Cuando compras un Certificado, obtienes acceso a todos los materiales del curso, incluidas las tareas calificadas. Una vez que completes el curso, se añadirá tu Certificado electrónico a la página Logros. Desde allí, puedes imprimir tu Certificado o añadirlo a tu perfil de LinkedIn. Si solo quieres leer y visualizar el contenido del curso, puedes participar del curso como oyente sin costo.
¿Cuál es la política de reembolsos?
Puedes solicitar un reembolso completo hasta dos semanas después de tu fecha de pago o (para los cursos que se lanzaron recientemente) hasta dos semanas después del comienzo de la primera sesión del curso, lo que ocurra después. No puedes recibir un reembolso luego de obtener un Certificado de curso, aun cuando completes el curso dentro del período de reembolso de dos semanas. Consulta nuestra política de reembolsos completa.
¿Hay ayuda económica disponible?
Sí. En ciertos programas de aprendizaje, puedes postularte para recibir ayuda económica o una beca en caso de no poder costear los gastos de la tarifa de inscripción. Si hay ayuda económica o becas disponibles para tu selección de programa de aprendizaje, verás un enlace para postularte en la página de descripción.
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.

¿Tienes más preguntas? Visita el Centro de Ayuda al Estudiante.

Desarrolla habilidades para tus empleados e impulsa los resultados de la empresa

Descubre Coursera para Empresas

Introduction to Embedded Machine Learning

Introduction to Embedded Machine Learning

Acerca de este Curso

Qué aprenderás

Habilidades que obtendrás