
کد دوره 8061
روز های برگزاری
یک شنبه ها 18 الی 21
تاریخ شروع:1405/09/15
شهریه:110,000,000 ریال
چنانچه در دوره های ارائه شده نمی توانید شرکت نمایید می توانید شماره موبایل خود را وارد کرده تا دوره های جدیدی که ارائه می شود برای شما پیامک شود
اگر تا امروز فکر میکردید اجرای هوش مصنوعی فقط به سرورهای قدرتمند و کارت گرافیک گران نیاز دارد، هوش مصنوعی در میکروکنترلر تصویر کاملاً متفاوتی جلوی شما میگذارد: مدلهای یادگیری ماشین که روی یک تراشه کوچک و کممصرف اجرا میشوند، از سنسور داده میگیرند و بدون نیاز به اینترنت تصمیم میگیرند. این فناوری که با نام TinyML شناخته میشود، یکی از بهروزترین شاخههای دنیای سیستمهای امبدد و اینترنت اشیا است. در این صفحه توضیح میدهیم TinyML دقیقاً چیست، چه کاربردهایی دارد، برد MicroBluePy چه نقشی در یادگیری آن دارد و دوره هوش مصنوعی در میکروکنترلر به صورت حضوری و پروژهمحور چه مسیری را برای شما میسازد.
هوش مصنوعی در لبه یا Edge AI یعنی پردازش دادهها و اجرای
مدلها در همان جایی که داده تولید میشود، نه در یک سرور ابری دور از دستگاه.
TinyML شکل بسیار فشرده همین ایده است؛ یعنی پیادهسازی مدلهای یادگیری
ماشین Machine Learning روی میکروکنترلرهایی که کوچک، کممصرف و
ارزانقیمت هستند. دلیل اهمیت آن ساده است: با گسترش اینترنت اشیا، ارسال دائمی دادههای سنسورها به
ابر هم زمانبر است و هم هزینه دارد. وقتی تصمیمگیری در خود دستگاه انجام شود، تاخیر کم میشود،
مصرف انرژی پایین میآید و دستگاه حتی بدون اتصال به اینترنت هم کار میکند.
روند کار در این سیستمها معمولاً اینطور است: سنسور مقدار خام را میخواند، داده پیشپردازش
میشود، یک مدل از پیش آموزشدیده روی آن اجرا میشود و در نهایت خروجی (مثلاً نوع حرکت یا رنگ
تشخیصدادهشده) به دست میآید. اگر برای شما مفاهیم پایهای مثل مدل، داده آموزش و دقت هنوز تازگی
دارد، پیشنهاد میکنیم قبل از ورود به این حوزه با دوره هوش مصنوعی
تکمیلی شروع کنید تا زبان مشترک این دنیا را بهتر بشناسید.
هر جا که لازم باشد یک دستگاه کوچک «هوشمندانه» واکنش نشان دهد، کاربرد هوش مصنوعی در میکروکنترلر معنا پیدا میکند. سیستمهای تشخیص کلمات کلیدی و فرمان صوتی هوشمند، دوربینهای نظارتی کوچک با قابلیت تشخیص چهره و اشیاء، سیستمهای پیشبینی خرابی (Predictive Maintenance) در دستگاههای صنعتی، گجتهای پوشیدنی مثل پایشگرهای سلامت و ضربان قلب، رباتهای خودمختار و تجهیزات خانه هوشمند از مهمترین نمونهها هستند. وجه مشترک همه آنها این است که باید سریع، کممصرف و در لحظه تصمیم بگیرند؛ دقیقاً همان چیزی که پردازش لبه و سیستمهای بلادرنگ (Real-Time) به صنعت میدهند.
برد MicroBluePy یک پلتفرم سختافزاری بومی است که توسط برند بلوویو (Bluewave) توسعه داده شده است. هسته آن از پردازندههای قدرتمند خانواده ARM-STM32 (مانند سریهای H7 و F4) تشکیل شده و فریمور اختصاصی مایکروپایتون (MicroPython) روی آن توسعه یافته است. از آنجا که بیشتر کدهای هوش مصنوعی با پایتون نوشته میشوند، این برد مسیر برنامهنویسی را برای کسی که پایتون بلد است بسیار هموارتر میکند و لازم نیست برای شروع، سراغ زبانهای سطح پایین و پیچیده بروید. MicroBluePy به طور ویژه برای پیادهسازی Edge AI طراحی شده و در پروژههای هوشمند، رباتیک و اینترنت اشیا استفاده میشود.
انتخاب برد آموزشی روی کیفیت یادگیری اثر مستقیم دارد. بردی که ضعیف باشد، شما را وسط پروژه به محدودیتهای سختافزاری میرساند و بردی که بیش از حد پیچیده باشد، انرژیتان را صرف کارهای جانبی میکند. MicroBluePy تعادل خوبی میان این دو برقرار کرده است:
با مایکروپایتون میتوانید کدنویسی را سریع و ساده انجام دهید و نتیجه را همان لحظه روی برد ببینید.
پردازندههای ARM-STM32 این برد، قدرت لازم برای اجرای مدلهای TinyML را بدون کندی آزاردهنده فراهم میکنند.
این برد برای پروژههای سختافزاری و پردازش سیگنال بهینه شده است؛ همان چیزی که در پیشپردازش داده سنسورها به آن نیاز دارید.
مستندات و کتابخانههای توسعهدادهشده توسط بلوویو، رفع اشکال و پیشروی در پروژه را آسانتر میکند.
مصرف کم انرژی، شرط اصلی دستگاههای باتریخور و گجتهای پوشیدنی است و این برد آن را در کنار کارایی مناسب ارائه میدهد.
سنسورهای IMU، صوتی، اولتراسونیک و نوری روی این برد سریع راهاندازی میشوند و زمان بیشتری برای خود پروژه باقی میماند.
برای پروژههای صنعتی و دانشجویی، میتوانید ایده را در مدت کوتاه به یک نمونه اولیه کارا تبدیل کنید.
تفاوت اصلی TinyML با یادگیری ماشین روی کامپیوتر، در محدودیتهاست و همین محدودیتها هستند که مهارت واقعی میسازند. حافظه میکروکنترلر در مقایسه با یک لپتاپ بسیار ناچیز است، پس مدل باید سبک و فشرده باشد و گاهی لازم میشود دقت و حجم را با هم مصالحه دهید. داده سنسورها هم تمیز نیست: سنسور IMU نویز دارد و در تشخیص حرکات باید سیگنال را فیلتر و به پنجرههای زمانی مناسب تقسیم کنید. در تشخیص رنگ با سنسور شدت نور (LDR) هم نور محیط میتواند نتیجه را کاملاً عوض کند و بدون کالیبراسیون درست، مدلی که روی میز آزمایشگاه عالی کار میکرد در محیط واقعی خطا میدهد. این دقیقاً همان نقطهای است که آموزش پروژهمحور فرق خودش را نشان میدهد؛ چون تنها با دیدن این مشکلات روی سختافزار واقعی است که میفهمید چرا پیشپردازش داده و مدیریت توان به اندازه خود مدل مهم هستند.
این دوره برای دانشجویان مهندسی کامپیوتر، برق و مکاترونیک، دانشآموزان علاقهمند به رباتیک (بهویژه تیمهای رباتیک مدارس استعدادهای درخشان)، مهندسان سختافزار و نرمافزار و هر کسی که به Edge AI علاقه دارد طراحی شده است. اگر برای پروژه دانشجویی یا مسابقات رباتیک به الگوریتمهای هوشمند نیاز دارید، این دوره کمک میکند هوش مصنوعی را از تئوری به یک سیستم واقعی روی برد تبدیل کنید. کسانی که میخواهند بعد از این دوره، دید گستردهتری به کل دنیای هوش مصنوعی پیدا کنند هم میتوانند مسیر خود را با دوره هوش مصنوعی جامع ادامه دهند.
پیشنیاز دوره تسلط متوسط یا خوب بر زبان پایتون، آشنایی پایه با مفاهیم الکترونیک و درک اولیه از منطق میکروکنترلرهاست. اگر در بخش ریاضی احساس ضعف میکنید، لازم نیست نگران باشید؛ پایههایی مثل جبر خطی و آمار پشت شبکههای عصبی را میتوانید در دوره ریاضیات ویژه هوش مصنوعی تقویت کنید. اما از نظر سختافزار، شما به برد آموزشی MicroBluePy، ماژولهای سنسور پایه (مانند ماژول شدت نور)، کابلهای ارتباطی و یک کامپیوتر یا لپتاپ نیاز دارید.
در ادامه به رایجترین پرسشهایی که درباره TinyML و هوش مصنوعی در میکروکنترلر مطرح میشود پاسخ دادهایم.
در هوش مصنوعی ابری داده به سرور فرستاده و آنجا پردازش میشود، اما در TinyML مدل روی خود دستگاه اجرا میشود. نتیجه، تاخیر کمتر، مصرف انرژی پایینتر و وابستگی کمتر به اینترنت است.
بله. پس از آنکه مدل آموزش داده و روی میکروکنترلر بارگذاری شد، دستگاه میتواند بدون اتصال به اینترنت از داده سنسور تصمیم بگیرد.
خیر. میکروکنترلرها حافظه و توان پردازشی بسیار محدودی دارند؛ به همین دلیل در TinyML از مدلهای کوچک و فشرده برای کارهای مشخص مثل تشخیص حرکت، صدا یا رنگ استفاده میشود.
چون پایتون زبان اصلی دنیای یادگیری ماشین است و مایکروپایتون نسخه سبک آن برای میکروکنترلرهاست. کسی که پایتون بلد است، بدون یادگیری یک زبان کاملاً جدید میتواند وارد دنیای امبدد شود.
درک مفاهیمی مثل جبر خطی، آمار و احتمال به فهم عمیقتر مدلها کمک میکند، اما برای شروع و ساخت پروژههای ساده لازم نیست متخصص ریاضی باشید. هرچه پایه ریاضی قویتر باشد، در بهینهسازی مدلها راحتتر خواهید بود.
با رشد اینترنت اشیا، دستگاههای پوشیدنی، رباتیک و اتوماسیون صنعتی، نیاز به متخصصانی که هم سختافزار و هم یادگیری ماشین را بشناسند بیشتر شده است. ترکیب این دو مهارت در بازار کار تخصصی و کمتر رقابتی است.
درآمد به عواملی مثل سطح مهارت، تجربه پروژهای، نوع کارفرما و شهر محل کار بستگی دارد و عدد ثابتی ندارد. بهطور کلی، مهارتهای ترکیبی در حوزه هوش مصنوعی و سیستمهای امبدد جزو مهارتهای پرتقاضا و ارزشمند در بازار کار فنی به حساب میآیند.
محدودیت حافظه، محدودیت توان پردازشی، مصرف انرژی و نویز دادههای سنسور، چهار چالش اصلی هستند. تکنیکهایی مثل فشردهسازی مدل و پیشپردازش دقیق داده برای مقابله با آنها استفاده میشود.
هوش مصنوعی در میکروکنترلر و TinyML مهارتی است که شما را از کاربر ابزارهای آماده به سازنده سیستمهای هوشمند تبدیل میکند؛ مهارتی که با برد MicroBluePy، پایتون و پروژههای واقعی مثل تشخیص حرکات و تشخیص رنگ، بهصورت عملی آموخته میشود. اما همانطور که دیدید، یادگیری این مسیر بدون راهنمای باتجربه پر از آزمون و خطا است. آموزشگاه مهرگان اصفهان با بیش از 20 سال سابقه کار آموزشی، زیر نظر سازمان فنی و حرفهای فعالیت میکند و در پایان دوره، در صورت قبولی، مدرک حضور در دوره به شما ارائه میشود. همچنین پس از گذراندن امتحان فنی و حرفهای، مدرک معتبر فنی و حرفهای دریافت خواهید کرد. رزومه اساتید دورهها نیز در صفحه هر دوره قابل مشاهده است تا با اطمینان کامل مسیر یادگیری خود را انتخاب کنید. برای شرکت در دوره حضوری هوش مصنوعی در میکروکنترلر در اصفهان، همین حالا ثبتنام کنید و اولین مدل هوشمند خود را روی یک برد واقعی اجرا کنید.
راه های ارتباط با ما
03136292828(10 خط)
ثبت نام12 الی 14
حسابداری16
برنامه ریزی آموزش11
انتشارات17
دفتر فنی20
انجام پروژه22
روابط عمومی24
اصفهان - بلوار ملت - حدفاصل پل آذر و سی و سه پل - مجتمع آموزشی مهرگان