Data & intelligence artificielle

⚡ TinyML & IA Embarquée (HarvardX)

Embedded Machine Learning on Edge Devices (TinyML)

Déploiement de modèles d'intelligence artificielle sur microcontrôleurs à mémoire ultra-contrainte (STM32, ESP32, Arduino Nano BLE) : réduction de modèles, quantification INT8 avec TensorFlow Lite for Microcontrollers (TFLM), traitement du signal pour capteurs (accéléromètre, microphone) et inférence temps réel à très faible consommation.

  • 4 modules
  • 12 leçons
  • 6 h de contenu
  • Exercices Python, C exécutables
  • Évaluation finale
#TinyML#Machine Learning Embarque#TensorFlow Lite Micro#Microcontroleurs STM32 ESP32#Quantization INT8#Edge AI#Capteurs IMU Audio

Ce que vous allez apprendre

  • Fondements du TinyML & Contraintes Matérielles
  • Compression & Optimisation de Modèles
  • Acquisition de Signaux & Applications Pratiques
  • Déploiement C++, Benchmark & Examen Blanc

Programme

4 modules · 12 leçons · 6 h de contenu

1Fondements du TinyML & Contraintes Matérielles3 leçons · 1 h 30
  1. 1.1Le Paradigme TinyML : Pourquoi Faire Tourner l'IA sur Microcontrôleurs ?
  2. 1.2Architectures Matérielles : ARM Cortex-M, Instructions SIMD et ESP32
  3. 1.3Chaîne d'Outillage C++ Embarqué, CMake et Conversion en Tableaux C
2Compression & Optimisation de Modèles3 leçons · 1 h 30
  1. 2.1Quantification Uniforme INT8 : Théorie Mathématique et Réduction de Poids
  2. 2.2Utilisation d'un Dataset Représentatif pour la Calibration de Quantification
  3. 2.3Élagage de Poids (Weight Pruning) et Réduction d'Opérations
3Acquisition de Signaux & Applications Pratiques3 leçons · 1 h 30
  1. 3.1Détection de Mots-Clés Vocaux (Keyword Spotting - KWS) et Spectrogrammes MFCC
  2. 3.2Reconnaissance de Gestes et Vibrations par Centrale Inertielle (Accéléromètre/Gyroscope)
  3. 3.3Vision Artificielle Ultra-Légère : Person Detection et MobileNet
4Déploiement C++, Benchmark & Examen Blanc3 leçons · 1 h 30
  1. 4.1Intégration de l'Interpréteur TFLM dans une Boucle Firmware C++
  2. 4.2Profilage de la Latence et Mesure de la Consommation Énergétique (Joules/Inférence)
  3. 4.3Épreuve Blanche Finale : Certification TinyML HarvardX

Comment se déroule la formation

À votre rythme

Des leçons courtes ; votre progression est enregistrée et vous reprenez là où vous vous êtes arrêté.

En pratiquant

Des exemples de code Python, C à modifier et exécuter dans le navigateur, sans rien installer.

Une validation

Une évaluation finale s'ouvre quand vous avez parcouru l'essentiel de la formation.

Dans le même domaine

  • Data & intelligence artificielle📊 Intermédiaire · Calcul Vectorisé

    Data Science avec NumPy & Pandas

    Calcul matriciel vectorisé, manipulation de DataFrames, séries temporelles et modélisation statistique avancée avec NumPy et Pandas.

    ▶ Exercices Python

    4 modules · 16 leçons · 8 h

    Voir le programme Accès sur attribution
  • Data & intelligence artificielle🤖 Avancé · Deep Learning & MLOps

    Intelligence artificielle avec Python

    Deep Learning avec PyTorch, réseaux convolutifs, Transformers pour le NLP, quantification et déploiement d'API d'inférence en production.

    ▶ Exercices Python

    4 modules · 16 leçons · 8 h

    Voir le programme Accès sur attribution
  • Data & intelligence artificielle🐘 Avancé · Architecture Interne & PostGIS

    PostgreSQL Avancé & Données Spatiales PostGIS

    Maîtrisez les rouages de PostgreSQL (MVCC, WAL, EXPLAIN ANALYZE), l'indexation avancée GIN et BRIN, l'extension spatiale PostGIS et le part…

    4 modules · 16 leçons · 8 h

    Voir le programme Accès sur attribution