Qu'est-ce que je recevrai si je souscris à cette Specializations ?

Lorsque vous vous inscrivez au cours, vous avez accès à tous les cours de la spécialisation et vous obtenez un certificat lorsque vous terminez le travail. Votre certificat électronique sera ajouté à votre page Réalisations - de là, vous pouvez imprimer votre certificat ou l'ajouter à votre profil LinkedIn.

Est-il possible de bénéficier d'une aide financière ?

Oui, pour certains programmes de formation, vous pouvez demander une aide financière ou une bourse si vous n'avez pas les moyens de payer les frais d'inscription. Si une aide financière ou une bourse est disponible pour votre programme de formation, vous trouverez un lien de demande sur la page de description.

Introduction à l'apprentissage automatique embarqué

Introduction à l'apprentissage automatique embarqué

Ce cours fait partie de Spécialisation "L'IA pour les microcontrôleurs"

Instructeurs : Shawn Hymel

54 263 déjà inscrits

Inclus avec

3 modules

Obtenez un aperçu d'un sujet et apprenez les principes fondamentaux.

751 avis

niveau Intermédiaire

Expérience recommandée

Planning flexible

2 semaines à 10 heures une semaine

Apprenez à votre propre rythme

96%

La plupart des étudiants ont apprécié ce cours

3 modules

Obtenez un aperçu d'un sujet et apprenez les principes fondamentaux.

751 avis

niveau Intermédiaire

Expérience recommandée

Planning flexible

2 semaines à 10 heures une semaine

Apprenez à votre propre rythme

96%

La plupart des étudiants ont apprécié ce cours

Ce que vous apprendrez

Les bases d'un système d'apprentissage automatique
Comment déployer un modèle d'apprentissage automatique sur un microcontrôleur ?
Comment utiliser l'apprentissage automatique pour prendre des décisions et faire des prédictions dans un système embarqué ?

Compétences que vous acquerrez

Catégorie : Computer Programming
Catégorie : Deep Learning
Catégorie : Data Analysis
Catégorie : Machine Learning
Catégorie : Artificial Intelligence and Machine Learning (AI/ML)
Catégorie : Data Preprocessing
Catégorie : Convolutional Neural Networks
Catégorie : Embedded Systems
Catégorie : Data Ethics
Catégorie : Artificial Neural Networks
Catégorie : Digital Signal Processing
Catégorie : Feature Engineering
Catégorie : Model Evaluation
Catégorie : Applied Machine Learning

Outils que vous découvrirez

Catégorie : Embedded Software
Catégorie : Model Deployment

Détails à connaître

Certificat partageable

Ajouter à votre profil LinkedIn

Évaluations

14 devoirs

Enseigné en Anglais

Découvrez comment les employés des entreprises prestigieuses maîtrisent des compétences recherchées

En savoir plus sur Coursera pour les affaires

logos de Petrobras, TATA, Danone, Capgemini, P&G et L'Oreal

Élaborez votre expertise du sujet

Ce cours fait partie de la Spécialisation "L'IA pour les microcontrôleurs"

Lorsque vous vous inscrivez à ce cours, vous êtes également inscrit(e) à cette Spécialisation.

Apprenez de nouveaux concepts auprès d'experts du secteur
Acquérez une compréhension de base d'un sujet ou d'un outil
Développez des compétences professionnelles avec des projets pratiques
Obtenez un certificat professionnel partageable

Il y a 3 modules dans ce cours

L'apprentissage automatique nous permet d'apprendre aux ordinateurs à faire des prédictions et à prendre des décisions sur la base de données et à tirer des enseignements de leurs expériences. Ces dernières années, des optimisations incroyables ont été apportées aux algorithmes d'apprentissage automatique, aux cadres logiciels et au matériel embarqué. Ce cours vous donnera un aperçu général du fonctionnement de l'apprentissage automatique, de l'entraînement des réseaux neuronaux et du déploiement de ces réseaux sur des microcontrôleurs, ce qui est connu sous le nom d'apprentissage automatique embarqué ou TinyML. Vous n'avez pas besoin de connaissances préalables en apprentissage automatique pour suivre ce cours. Il est conseillé d'être familier avec Arduino et les microcontrôleurs pour comprendre certains sujets ainsi que pour s'attaquer aux projets. Nous couvrirons les concepts et le vocabulaire nécessaires pour comprendre les principes fondamentaux de l'apprentissage automatique et nous fournirons des démonstrations et des projets pour vous donner une expérience pratique.

Dans ce module, nous présenterons le concept d'apprentissage automatique, la manière dont il peut être utilisé pour résoudre des problèmes et ses limites. Nous verrons également comment l'apprentissage automatique sur les systèmes embarqués, tels que les ordinateurs monocartes et les microcontrôleurs, peut être utilisé efficacement pour résoudre des problèmes et créer de nouveaux types d'interfaces informatiques. Ensuite, nous présenterons l'outil Edge Impulse et recueillerons des données de mouvement pour une démonstration de "baguette magique". Enfin, nous examinerons les différentes caractéristiques qui peuvent être calculées à partir de ces données de mouvement brutes, y compris la moyenne quadratique (RMS), la transformée de Fourier et la densité spectrale de puissance (PSD).

Inclus

13 vidéos15 lectures5 devoirs2 sujets de discussion

13 vidéos Total 107 minutes

Bienvenue au cours 4 minutes
Présentation des instructeurs 3 minutes
Qu'est-ce que l'apprentissage automatique ? 16 minutes
Limites et éthique de l'apprentissage automatique 12 minutes
Apprentissage automatique sur les appareils embarqués 5 minutes
Matériel spécifique à l'apprentissage automatique 14 minutes
Cadres logiciels d'apprentissage automatique 7 minutes
Démarrer avec Edge Impulse 7 minutes
Collecte de données 15 minutes
Extraction de caractéristiques à partir de données de mouvement 11 minutes
Sélection de caractéristiques dans Edge Impulse 4 minutes
Pipeline d'apprentissage automatique 7 minutes
Révision du module 1 3 minutes

15 lectures Total 122 minutes

Syllabus 5 minutes
Matériel requis 5 minutes
Errata et modifications 10 minutes
Obtenir de l'aide 2 minutes
Diapositives 10 minutes
Limites de l'apprentissage automatique 15 minutes
Diapositives 10 minutes
Apprentissage automatique sur microcontrôleurs 5 minutes
Diapositives 10 minutes
Dépannage de l'installation CLI de l'Edge Impulse 10 minutes
Qu'est-ce qu'un bon ensemble de données ? 5 minutes
Diapositives 10 minutes
Sélection et extraction des caractéristiques 5 minutes
Diapositives 10 minutes
Diapositives 10 minutes

5 devoirs Total 90 minutes

Aperçu de l'apprentissage automatique 30 minutes
Apprentissage automatique et limites 15 minutes
Apprentissage automatique embarqué 15 minutes
Collecte de données 15 minutes
Extraction de caractéristiques 15 minutes

2 sujets de discussion Total 30 minutes

Rencontre et accueil 15 minutes
L'apprentissage automatique dans votre vie 15 minutes

Dans ce module, nous verrons comment fonctionnent les réseaux de neurones, comment les entraîner et comment les utiliser pour effectuer des inférences dans un système embarqué. Nous poursuivrons la démonstration précédente de création d'un système de classification de mouvement en utilisant des données de mouvement collectées à partir d'un smartphone ou d'une carte Arduino. Enfin, nous vous mettrons au défi avec un nouveau projet de classification de mouvement où vous aurez l'occasion de mettre en œuvre les concepts appris dans ce module et le module précédent.

Inclus

10 vidéos10 lectures5 devoirs1 sujet de discussion

10 vidéos Total 77 minutes

Introduction aux réseaux neuronaux 15 minutes
Formation au modèle dans Edge Impulse 7 minutes
Comment évaluer un modèle 11 minutes
Sous-appareillage et sur-appareillage 7 minutes
Comment utiliser un modèle pour l'inférence 7 minutes
Tester l'inférence avec un smartphone 4 minutes
Comment déployer un modèle entraîné sur Arduino 10 minutes
Détection des anomalies 8 minutes
Démonstration de l'apprentissage automatique industriel embarqué 5 minutes
Examen du module 3 minutes

10 lectures Total 190 minutes

Réseaux neuronaux et formation 5 minutes
Diapositives 10 minutes
Évaluation, sous-adaptation et suradaptation 5 minutes
Diapositives 10 minutes
Utilisation d'un modèle pour l'inférence 5 minutes
Diapositives 10 minutes
Détection des anomalies 5 minutes
Diapositives 10 minutes
Projet - Détection de mouvement 120 minutes
Diapositives 10 minutes

5 devoirs Total 80 minutes

Classification des mouvements et détection des anomalies 30 minutes
Réseaux neuronaux et formation 15 minutes
Évaluation, sous-adaptation et suradaptation 15 minutes
Déployer le modèle dans le système embarqué 15 minutes
Détection des anomalies 5 minutes

1 sujet de discussion Total 15 minutes

Partagez votre projet de détection de mouvement ! 15 minutes

Dans ce module, nous abordons la classification audio sur les systèmes embarqués. Plus précisément, nous examinerons les bases de l'extraction des coefficients cepstraux de fréquence mélodique (MFCC) en tant que caractéristiques d'un enregistrement audio, de l'entraînement d'un réseau neuronal convolutionnel (CNN) et du déploiement de ce réseau neuronal sur un microcontrôleur. En outre, nous nous pencherons sur certaines stratégies de mise en œuvre sur les systèmes embarqués et nous parlerons de la comparaison entre l'apprentissage automatique et la fusion de capteurs.

Inclus

9 vidéos7 lectures4 devoirs1 sujet de discussion1 plugin

9 vidéos Total 75 minutes

Introduction à la classification audio 8 minutes
Capture de données audio 12 minutes
Extraction de caractéristiques audio 11 minutes
Introduction aux réseaux neuronaux convolutifs 11 minutes
Modifier le réseau neuronal 11 minutes
Déployer un système de repérage des mots-clés 7 minutes
Stratégies de mise en œuvre 11 minutes
Fusion de capteurs 4 minutes
Conclusion 3 minutes

7 lectures Total 165 minutes

Taux d'échantillonnage et profondeur de bits 5 minutes
Diapositives 10 minutes
MFCC et CNN 5 minutes
Diapositives 10 minutes
Stratégies de mise en œuvre et fusion de capteurs 5 minutes
Diapositives 10 minutes
Projet - Classification sonore 120 minutes

4 devoirs Total 70 minutes

Classification audio 30 minutes
Classification audio et échantillonnage des signaux audio 10 minutes
MFCC et CNN 15 minutes
Stratégies de mise en œuvre 15 minutes

1 sujet de discussion Total 15 minutes

Partagez votre projet de classification audio ! 15 minutes

1 plugin Total 5 minutes

Enquête de fin de cours 5 minutes

Obtenez un certificat professionnel

Ajoutez ce titre à votre profil LinkedIn, à votre curriculum vitae ou à votre CV. Partagez-le sur les médias sociaux et dans votre évaluation des performances.

Instructeurs

Évaluations de l’enseignant

(288 évaluations)

Shawn Hymel

Edge Impulse

3 Cours 70 235 apprenants

Offert par

Edge Impulse

En savoir plus sur Apprentissage automatique

Edge Impulse
Computer Vision with Embedded Machine Learning
Cours
Arm
Getting Started with Machine Learning at the Edge on Arm
Cours
DeepLearning.AI
Device-based Models with TensorFlow Lite
Cours
Duke University
Introduction to Machine Learning
Cours

Pour quelles raisons les étudiants sur Coursera nous choisissent-ils pour leur carrière ?

Felipe M.

Étudiant(e) depuis 2018

’Pouvoir suivre des cours à mon rythme à été une expérience extraordinaire. Je peux apprendre chaque fois que mon emploi du temps me le permet et en fonction de mon humeur.’

Jennifer J.

Étudiant(e) depuis 2020

’J'ai directement appliqué les concepts et les compétences que j'ai appris de mes cours à un nouveau projet passionnant au travail.’

Larry W.

Étudiant(e) depuis 2021

’Lorsque j'ai besoin de cours sur des sujets que mon université ne propose pas, Coursera est l'un des meilleurs endroits où se rendre.’

Chaitanya A.

’Apprendre, ce n'est pas seulement s'améliorer dans son travail : c'est bien plus que cela. Coursera me permet d'apprendre sans limites.’

Avis des étudiants

5 stars
81,62 %
4 stars
16,24 %
3 stars
1,99 %
2 stars
0 %
1 star
0,13 %

Affichage de 3 sur 751

Révisé le 18 août 2021

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

Révisé le 14 avr. 2021

Great Course to get into machine learning, Shawn is a great teacher and reading recommendations are great!

Révisé le 7 mars 2022

Excellent course with lots of practical examples and support using different platforms. 100% recommended

Voir plus d’avis

Ouvrez de nouvelles portes avec Coursera Plus

Accès illimité à 10,000+ cours de niveau international, projets pratiques et programmes de certification prêts à l'emploi - tous inclus dans votre abonnement.

Faites progresser votre carrière avec un diplôme en ligne

Obtenez un diplôme auprès d’universités de renommée mondiale - 100 % en ligne

Découvrir les diplômes

Rejoignez plus de 3 400 entreprises mondiales qui ont choisi Coursera pour les affaires

Améliorez les compétences de vos employés pour exceller dans l’économie numérique

Foire Aux Questions

Aucun matériel n'est nécessaire pour suivre le cours. Cependant, nous vous recommandons d'acheter une carte Arduino Nano 33 BLE Sense afin de réaliser les projets optionnels. Des liens vers des sites de vente de la carte seront fournis dans le cours.

Nous vous recommandons d'avoir une certaine expérience des systèmes embarqués (comme la programmation d'une carte Arduino ou d'un autre microcontrôleur) et d'être familier avec le(s) langage(s) C/C++. Aucune connaissance préalable en apprentissage automatique n'est requise (mais si vous en avez, ce cours pourrait être une bonne révision). Il vous sera demandé d'utiliser quelques notions de mathématiques (lecture de tracés, arithmétique et algèbre) pour compléter les quiz et les projets.

Pour accéder aux supports de cours, aux devoirs et pour obtenir un certificat, vous devez acheter l'expérience de certificat lorsque vous vous inscrivez à un cours. Vous pouvez essayer un essai gratuit ou demander une aide financière. Le cours peut proposer l'option "Cours complet, pas de certificat". Cette option vous permet de consulter tous les supports de cours, de soumettre les évaluations requises et d'obtenir une note finale. Cela signifie également que vous ne pourrez pas acheter un certificat d'expérience.