دوره Embedded AI پیشرفته

سرفصل آموزشی دوره Embedded AI پیشرفته

 پلتفرم K210 و ابزارهای توسعه

• معماری K210: هسته‌های RISC-V، شتاب‌دهنده‌ی شبکه‌ی عصبی (KPU)، واحد FFT سخت‌افزاری، ساختار حافظه و محدودیت‌ها
• برد Maixduino: دوربین، نمایشگر LCD، میکروفن I2S، کارت SD
• محیط MaixPy، پروگرام کردن فریمور و بارگذاری مدل روی برد
• کار با GPIO، دوربین، میکروفن و ذخیره‌ی داده روی کارت SD

دیپ لرنینگ برای سخت‌افزارهای محدود

• مرور شبکه‌های عصبی کانولوشنی (CNN)، توابع هزینه و بهینه‌سازها
• مرور مطالب overfitting، regularization و data augmentation
• معیارهای ارزیابی: accuracy، confusion matrix، precision، recall و F1
• مرور transfer learning و معماری‌های سبک مانند MobileNet
• طراحی مدل متناسب با محدودیت‌های شتاب‌دهنده‌ی سخت‌افزاری
• کوانتیزاسیون int8، تبدیل مدل و استقرار آن روی KPU

 پردازش تصویر و بینایی ماشین

• فرمت‌های تصویر و پیش‌پردازش روی برد
• جمع‌آوری، برچسب‌گذاری و متعادل‌سازی دیتاست تصویری
• طبقه‌بندی تصویر
• تشخیص شیء، anchor، IoU و NMS
• اندازه‌گیری سرعت (FPS) و دقت مدل روی برد و تحلیل خطا
• پروژه‌ی عملی: طبقه‌بندی یا تشخیص شیء با دیتاست سفارشی روی برد

پردازش صوت

• نمونه‌برداری و دریافت صدا از میکروفن I2S
• تبدیل فوریه‌ی زمان‌کوتاه (STFT)، طیف‌نگار، Mel و MFCC
• استخراج ویژگی صوتی
• جمع‌آوری دیتاست صوتی، نویز و augmentation
• پردازش بلادرنگ: پنجره‌بندی و بافر
• پروژه‌ی عملی: تشخیص کلمات کلیدی یا رویدادهای صوتی روی برد

 داده‌ی سنسور و دیتاساینس

• جمع‌آوری و ثبت داده‌ی سنسور حرکتی
• پاک‌سازی، نرمال‌سازی و پنجره‌بندی سری زمانی
• استخراج ویژگی‌های آماری و فرکانسی
• روش‌های کلاسیک یادگیری ماشین (مانند PCA، خوشه‌بندی و درخت تصمیم)
• تشخیص ناهنجاری و تعیین آستانه

پروژه‌ی عملی: تحلیل و طبقه‌بندی داده‌ی سنسور یا تشخیص ناهنجاری روی برد

پروژه‌ی نهایی

• تعریف مسئله، دیتاست و معماری سیستم در قالب گروهی
• پیاده‌سازی و بهینه‌سازی روی برد
• ارائه و دمو زنده

نکته: ترتیب و جزئیات مباحث ممکن است متناسب با سطح کلاس و روند پیشرفت پروژه‌ها تنظیم شود.

آینده شغلی دوره دوره Embedded AI پیشرفته

مهارت‌های کسب‌شده در این دوره می‌توانند زمینه فعالیت در حوزه‌های زیر را فراهم کنند:

• توسعه سیستم‌های هوش مصنوعی نهفته (Embedded AI)

• پیاده‌سازی الگوریتم‌های بینایی ماشین روی سخت‌افزارهای محدود

• توسعه سامانه‌های تشخیص صوت و کلمات کلیدی

• طراحی سیستم‌های هوشمند مبتنی بر داده‌های سنسورها

• فعالیت در پروژه‌های اینترنت اشیا (IoT) و تجهیزات هوشمند

• توسعه و بهینه‌سازی مدل‌های یادگیری ماشین برای اجرا روی سخت‌افزار

روش برگزاری دوره دوره Embedded AI پیشرفته

توانایی دانشجو در پایان دوره دوره Embedded AI پیشرفته

شرکت‌کنندگان پس از پایان دوره می‌توانند:

• با معماری K210 و قابلیت‌های سخت‌افزاری برد Maixduino کار کنند.

• مدل‌های یادگیری عمیق سبک را متناسب با محدودیت‌های سخت‌افزاری آماده‌سازی و بهینه‌سازی کنند.

• پروژه‌های طبقه‌بندی تصویر و تشخیص شیء را روی برد پیاده‌سازی کنند.

• پردازش صوت و استخراج ویژگی‌های صوتی را برای تشخیص کلمات کلیدی یا رویدادهای صوتی به کار بگیرند.

• داده‌های سنسورها را تحلیل کرده و پروژه‌های تشخیص ناهنجاری یا طبقه‌بندی داده را اجرا کنند.

• یک پروژه هوش مصنوعی نهفته را از تعریف مسئله تا پیاده‌سازی و ارائه نهایی پیش ببرند.

سوالات متداول دانشجویان

پاسخ به پرسش های شما