Technology

Eingebettetes Machine Learning Vereinfacht Von Sensordaten zu Intelligenten Entscheidungen auf Ressourcenbeschränkter Hardware

By Sloane Garrett

Listen with Sir Michael Caine™ and 1,000+ voices

Try for $0.00 Get for $13.50

Length8h 21m

About this audiobook

Was, wenn dein Mikrocontroller — kleiner als ein Fingernagel und teurer als eine Tasse Kaffee — lernen könnte, Bewegungen zu erkennen, Anomalien zu filtern und Entscheidungen in Echtzeit zu treffen? Willkommen in der Werkstatt des eingebetteten Machine Learnings. Dieses Buch ist kein theoretischer Abriss über neuronale Netze in der Cloud. Es ist ein pragmatisches Handbuch für Entwickler, die wissen wollen, wie man echte Intelligenz auf Chips mit 256 KB Flash und wenigen Milliwatt Leistung zum Laufen bringt. Rohdaten von Sensoren in verwertbare Features umwandelt — ohne Python-Stack, ohne externe Server, lediglich effizienter C-Code Neuronale Netze Schicht für Schicht in C implementiert — keine Black-Box-Bibliotheken, sondern volle Transparenz bis auf Registerebene Modelle mit 8-Bit-Quantisierung um den Faktor 4 komprimierst — ohne die Genauigkeit zu opfern Die richtige Architektur für deinen Chip wählst — warum manche Netze auf ARM Cortex-M4 besser laufen als auf ESP32 Ein komplettes Gestenerkennungssystem aufbaust — lokal, offline, in Echtzeit Wenn du schon Mikrocontroller programmiert hast, aber bei Machine Learning an der Grenze klassischer Programmierung stößt, ist dieses Buch deine Brücke. Kein Data-Science-Diplom nötig. Keine magischen Abstraktionen. Nur du, dein Code und ein Stück Silizium, das lernen wird. Hol dir das Werkstattbuch, das die Lücke zwischen Hardware und KI schließt. Bau dein erstes intelligentes Sensorboard — heute noch.

Artificial Intelligence Futuristic

Audiobook details

GenreTechnology

Length8 hrs 21 mins

Narrated byListen with 1,000+ voices

FormateBook with Audio

LanguageEnglish

1Vorwort

69Praktische Embedded-Implementierung: Alles zusammen

2Vorwort

70Zusammenfassung: Warum SVMs auf Embedded-Systemen dominieren

3Warum eingebettetes ML?

71Kapitel 8 — Neuronale Netze auf Mikrocontrollern: TinyML mit Keras und TensorFlow Lite

4Was dich erwartet

72Vom Perzeptron zum mehrschichtigen Netz

5Für wen ist dieses Buch?

73Training für Embedded-Anwendungen

Show all chapters

6Ein Wort zur Philosophie

74TensorFlow Lite Micro: Ausführung auf dem Board

7Das Ziel

75Zusammenfassung und Ausblick

8Für wen dieses Buch ist

76Kapitel 9 — Zeitreihen und Faltungsnetze: Daten mit Gedächtnis

9Für wen dieses Buch ist

77Warum Zeitreihen? Sensorströme verstehen

10Die Hardware-Tüftler

781D-CNNs: Faltung für Zeitreihen

11Die Embedded-Entwickler

79Tiefe trennbare Faltungen: Weniger Parameter, gleiche Leistung

12Die Maker und Bastler

80Transfer Learning: Vom synthetischen zum echten Signal

13Die Data Scientists mit Hardware-Neugier

81Modelloptimierung für Embedded: Quantisierung und Pruning

14Was du mitbringen solltest

82Zusammenfassung: Zeitreihen-CNNs auf dem Mikrocontroller

15Was du nicht brauchst

83Kapitel 10 — Rekurrente Netze und LSTMs: Lernen von Sequenzen

16Ein Tag im Leben dieses Buches

84RNNs: Die Idee des internen Zustands

17Was Sie brauchen

85LSTMs: Das Gedächtnisproblem lösen

18Was Sie brauchen

86Eine einfache RNN-Zelle implementieren — und verstehen, warum sie scheitert

19Hardware

87LSTM auf embedded Hardware: Herausforderungen und Lösungen

20Software

88Praktische Anwendung: Bewegungsvorhersage mit einem LSTM

21Wissen

89Zusammenfassung

22Die Werkbank einrichten

90Kapitel 11 — Modellkompression: Quantisierung, Pruning und Destillation

23Was du nicht brauchst

91Quantisierung: Von Float zu Integer

24Der Deal

92Weight Pruning: Unwichtige Verbindungen entfernen

25Kapitel 1 — Warum Embedded ML? Einführung und Überblick: Das Problem der Latenz und Privatsphäre

93Knowledge Distillation: Großer Lehrer, kleiner Schüler

26Der fundamentale Unterschied: Cloud-ML vs. Embedded ML

94Kombination der Techniken

27Hardware-Landschaft: Von Mikrocontrollern bis zu MPUs

95Zusammenfassung

28Die Grundarchitektur eines Embedded-ML-Systems

96Kapitel 12 — Inferenz-Beschleunigung: Optimierung für Arm Cortex-M und RISC-V

29Unser erstes Projekt: Ein smarter Temperatursensor

97CMSIS-NN: Beschleunigte Faltungen auf Arm

30Typische Anwendungsfälle für Embedded ML

98RISC-V Vektorerweiterungen: Ein Überblick

31Werkzeuge und Entwicklungsumgebung einrichten

99Loop-Unrolling und Speicherlayout-Optimierung

32Zusammenfassung und Ausblick

100Speicherlayout für Faltungen: Im2Col + GEMM

33Kapitel 2 — Grundlagen der Datenaufbereitung für Embedded Systeme

101Praktische Anwendung: End-to-End-Optimierung

34Sensordaten verstehen: Analog, Digital und I2C/SPI

102Zusammenfassung und Ausblick

35Feature Engineering: Weniger ist mehr

103Lernziel-Checkliste

36Fixed-Point Arithmetik: Floats vermeiden

104Kapitel 13 — Energieeffizienz: Schlafen, Rechnen, Aufwachen

37Daten normalisieren auf dem Mikrocontroller

105Energie messen: Von der Theorie zur Praxis

38Zusammenfassung und Ausblick

106Sleep-Modi: Deep Sleep, Light Sleep und Wake-on-Interrupt

39Kapitel 3 — Einfache Klassifikation: Der Perzeptron-Algorithmus

107Ereignisgesteuerte Inferenz: lediglich bei Bedarf rechnen

40Das Perzeptron-Modell mathematisch verstehen

108Energiebudget für batteriebetriebene Systeme

41Die Delta-Lernregel: Gewichte automatisch anpassen

109Zusammenfassung und Ausblick

42Ein binäres Klassifikationsproblem auf einem Mikrocontroller lösen

110Kapitel 14 — Sicherheit und Robustheit: Angriffe und Verteidigung

43Gewichte manuell aktualisieren und trainieren

111Adversarial Examples: Kleine Störungen, große Wirkung

44Praktische Anwendung: Temperatur-basierte Anomalieerkennung

112Verteidigung: Input Validation und Smoothing

45Zusammenfassung und Ausblick

113Side-Channel-Angriffe: Stromverbrauch verrät das Modell

46Kapitel 4 — Logistische Regression für Wahrscheinlichkeiten

114Modell-Diebstahl durch Side-Channels erkennen

47Von der linearen zur logistischen Regression

115Über den Autor

48Gradientenabstieg für die logistische Regression

116Anhang: A: Glossar der wichtigsten Begriffe

49Multi-Klassen-Klassifikation mit One-vs-All

117Anhang A: Glossar der wichtigsten Begriffe

50Zusammenfassung

118A.1 Grundbegriffe

51Kapitel 5 — Entscheidungsbäume und Random Forests auf dem Microcontroller

119A.2 Sensordaten und Vorverarbeitung

52Entscheidungsbäume: Intuitiv und effizient

120A.3 Modelltypen für Embedded ML

53Export als C-Code für maximale Performance

121A.4 Optimierungstechniken

54Decision Tree trainieren und als if-else exportieren

122A.5 Inferenz-Engines

55Random Forest trainieren und exportieren

123A.6 Metriken und Evaluation

56Pruning: Überflüssige Äste entfernen

124A.7 Deployment-Workflow

57Modellgröße durch Pruning reduzieren

125A.8 Häufige Fehler und Lösungen

58Zusammenfassung und Ausblick

126Anhang: B: Referenztabelle: Mikrocontroller und ihre ML-Fähigkeiten

59Kapitel 6 — K-Nearest Neighbors: Speicherhungriger Klassifikator

127Anhang B: Referenztabelle: Mikrocontroller und ihre ML-Fähigkeiten

60KNN: Der faulste aller Algorithmen

128Die drei Dimensionen der ML-Fitness

61Distanzmetriken: Euklidisch vs. Manhattan auf Integer-Hardware

129Tabelle B.1: Mikrocontroller-Klassen und ihre ML-Eignung

62Prototypen-Selektion: Weniger Daten, gleiche Leistung

130Der Cortex-M4 als Sweet Spot

63KNN auf dem Mikrocontroller: Der vollständige Build

131CMSIS-NN: Die geheime Waffe

64Zusammenfassung

132ESP32: Der Allrounder mit WLAN

65Kapitel 7 — Support Vector Machines: Maximale Margen, minimale Modelle

133MAX78000: Der CNN-Hardware-Beschleuniger

66Das Prinzip der maximalen Margin: Warum Abstand zählt

134Die Entscheidungsmatrix

67SVM auf dem Mikrocontroller: lediglich die Support Vectors zählen

135Praktischer Check: Flash- und RAM-K

68Der Kernel-Trick: Nicht-lineare Klassifikation ohne Mehrkosten

More from Sloane Garrett

Augmented Reality und Computer Vision Wie AR-Anwendungen die reale Welt verstehen, um virtuelle Objekte nahtlos zu integrierenSloane Garrett8h 50m$14 · $0.00

Automatisierte Textklassifizierung Wie man Dokumente, Tickets und Nachrichten mit überwachtem Lernen automatisch kategorisiertSloane Garrett7h 40m$10.20 · $0.00

Security Gates in GitHub ActionsSloane Garrett8h 4m$21.50 · $0.00

Edge-AI-Engineering Wie man Künstliche Intelligenz am Netzwerkrand Aufbaut, Bereitstellt und OptimiertSloane Garrett6h 33m$13 · $0.00

Grundlagen der 3D-Computer Vision Tiefenschätzung, Punktwolkenverarbeitung und Volumetrische Rekonstruktion aus KameraanordnungenSloane Garrett7h 59m$13 · $0.00

Dialogsysteme und Chatbots Design konversationeller KI, die Kontext Versteht, Sich an Verlauf Erinnert und Natürlich AntwortetSloane Garrett8h 46m$16.50 · $0.00

More from Technology

ApolloCharles Murray, Catherine Bly Cox18h 15m$30

Improvised Weapons and Munitions - The Official U.S. Army ManualU.S. Department of the Army4h 38m$2 · $0.00

Frosty: The incredible true story of the boy from Doonside who became a Bathurst kingMark Winterbottom8h 9m$26 · $0.00

Cadillac Desert, Revised and Updated EditionMarc Reisner27h 56m$30

The Honey BusMeredith May9h 31m$25 · $0.00

Operation PedestalMax Hastings12h 29m$29 · $0.00

When the Heavens Went on SaleAshlee Vance18h 20m$40 · $0.00

Hands of TimeRebecca Struthers8h 8m5.0 (1)$26 · $0.00

Everybody Has a Podcast (Except You)Justin McElroy, Travis McElroy, Griffin McElroy5h 9m$24 · $0.00

The Collected WorksNikola Tesla50h 9m$1 · $0.00

Never Lost AgainBill Kilday10h 1m$29 · $0.00

How the Internet HappenedBrian McCullough13h 28m$23 · $0.00

Collected Writings of Nikola TeslaNikola Tesla, Thomas Commerford Martin21h 50m$1 · $0.00

Just AspireAjai Chowdhry9h 13m$29 · $0.00

The Little Book of AliensAdam Frank8h 20m$26 · $0.00

The inventions, researches and writings of Nikola Tesla (Annotated)Thomas Commerford Martin16h 59m$2 · $0.00

KargilV.P. Malik15h 18m$24 · $0.00

Fire on the HorizonTom Shroder, John Konrad8h 23m$26 · $0.00

The Smell of Kerosene (Annotated)National Aeronautics and Space Administration, Donald L. Mallick, Peter W. Merlin11h 32m$2 · $0.00

The Boy Who Harnessed the WindWilliam Kamkwamba, Bryan Mealer10h 5m$29 · $0.00

View all

Eingebettetes Machine Learning Vereinfacht Von Sensordaten zu Intelligenten Entscheidungen auf Ressourcenbeschränkter Hardware

About this audiobook

Audiobook details

Table of contents

More from Sloane Garrett

More from Technology

You may also like