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 $12

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 Robot Fiction Exploration Survival

Audiobook details

GenreTechnology

Length8 hrs 21 mins

Narrated byListen with 1,000+ voices

FormateBook with Audio

LanguageEnglish

1Introduction

69Der Kernel-Trick: Nicht-lineare Klassifikation ohne Mehrkosten

2Vorwort

70Praktische Embedded-Implementierung: Alles zusammen

3Vorwort

71Zusammenfassung: Warum SVMs auf Embedded-Systemen dominieren

4Warum eingebettetes ML?

72Kapitel 8 — Neuronale Netze auf Mikrocontrollern: TinyML mit Keras und TensorFlow Lite

5Was dich erwartet

73Vom Perzeptron zum mehrschichtigen Netz

Show all chapters

6Für wen ist dieses Buch?

74Training für Embedded-Anwendungen

7Ein Wort zur Philosophie

75TensorFlow Lite Micro: Ausführung auf dem Board

8Das Ziel

76Zusammenfassung und Ausblick

9Für wen dieses Buch ist

77Kapitel 9 — Zeitreihen und Faltungsnetze: Daten mit Gedächtnis

10Für wen dieses Buch ist

78Warum Zeitreihen? Sensorströme verstehen

11Die Hardware-Tüftler

791D-CNNs: Faltung für Zeitreihen

12Die Embedded-Entwickler

80Tiefe trennbare Faltungen: Weniger Parameter, gleiche Leistung

13Die Maker und Bastler

81Transfer Learning: Vom synthetischen zum echten Signal

14Die Data Scientists mit Hardware-Neugier

82Modelloptimierung für Embedded: Quantisierung und Pruning

15Was du mitbringen solltest

83Zusammenfassung: Zeitreihen-CNNs auf dem Mikrocontroller

16Was du nicht brauchst

84Kapitel 10 — Rekurrente Netze und LSTMs: Lernen von Sequenzen

17Ein Tag im Leben dieses Buches

85RNNs: Die Idee des internen Zustands

18Was Sie brauchen

86LSTMs: Das Gedächtnisproblem lösen

19Was Sie brauchen

87Eine einfache RNN-Zelle implementieren — und verstehen, warum sie scheitert

20Hardware

88LSTM auf embedded Hardware: Herausforderungen und Lösungen

21Software

89Praktische Anwendung: Bewegungsvorhersage mit einem LSTM

22Wissen

90Zusammenfassung

23Die Werkbank einrichten

91Kapitel 11 — Modellkompression: Quantisierung, Pruning und Destillation

24Was du nicht brauchst

92Quantisierung: Von Float zu Integer

25Der Deal

93Weight Pruning: Unwichtige Verbindungen entfernen

26Kapitel 1 — Warum Embedded ML? Einführung und Überblick: Das Problem der Latenz und Privatsphäre

94Knowledge Distillation: Großer Lehrer, kleiner Schüler

27Der fundamentale Unterschied: Cloud-ML vs. Embedded ML

95Kombination der Techniken

28Hardware-Landschaft: Von Mikrocontrollern bis zu MPUs

96Zusammenfassung

29Die Grundarchitektur eines Embedded-ML-Systems

97Kapitel 12 — Inferenz-Beschleunigung: Optimierung für Arm Cortex-M und RISC-V

30Unser erstes Projekt: Ein smarter Temperatursensor

98CMSIS-NN: Beschleunigte Faltungen auf Arm

31Typische Anwendungsfälle für Embedded ML

99RISC-V Vektorerweiterungen: Ein Überblick

32Werkzeuge und Entwicklungsumgebung einrichten

100Loop-Unrolling und Speicherlayout-Optimierung

33Zusammenfassung und Ausblick

101Speicherlayout für Faltungen: Im2Col + GEMM

34Kapitel 2 — Grundlagen der Datenaufbereitung für Embedded Systeme

102Praktische Anwendung: End-to-End-Optimierung

35Sensordaten verstehen: Analog, Digital und I2C/SPI

103Zusammenfassung und Ausblick

36Feature Engineering: Weniger ist mehr

104Lernziel-Checkliste

37Fixed-Point Arithmetik: Floats vermeiden

105Kapitel 13 — Energieeffizienz: Schlafen, Rechnen, Aufwachen

38Daten normalisieren auf dem Mikrocontroller

106Energie messen: Von der Theorie zur Praxis

39Zusammenfassung und Ausblick

107Sleep-Modi: Deep Sleep, Light Sleep und Wake-on-Interrupt

40Kapitel 3 — Einfache Klassifikation: Der Perzeptron-Algorithmus

108Ereignisgesteuerte Inferenz: lediglich bei Bedarf rechnen

41Das Perzeptron-Modell mathematisch verstehen

109Energiebudget für batteriebetriebene Systeme

42Die Delta-Lernregel: Gewichte automatisch anpassen

110Zusammenfassung und Ausblick

43Ein binäres Klassifikationsproblem auf einem Mikrocontroller lösen

111Kapitel 14 — Sicherheit und Robustheit: Angriffe und Verteidigung

44Gewichte manuell aktualisieren und trainieren

112Adversarial Examples: Kleine Störungen, große Wirkung

45Praktische Anwendung: Temperatur-basierte Anomalieerkennung

113Verteidigung: Input Validation und Smoothing

46Zusammenfassung und Ausblick

114Side-Channel-Angriffe: Stromverbrauch verrät das Modell

47Kapitel 4 — Logistische Regression für Wahrscheinlichkeiten

115Modell-Diebstahl durch Side-Channels erkennen

48Von der linearen zur logistischen Regression

116Über den Autor

49Gradientenabstieg für die logistische Regression

117Anhang: A: Glossar der wichtigsten Begriffe

50Multi-Klassen-Klassifikation mit One-vs-All

118Anhang A: Glossar der wichtigsten Begriffe

51Zusammenfassung

119A.1 Grundbegriffe

52Kapitel 5 — Entscheidungsbäume und Random Forests auf dem Microcontroller

120A.2 Sensordaten und Vorverarbeitung

53Entscheidungsbäume: Intuitiv und effizient

121A.3 Modelltypen für Embedded ML

54Export als C-Code für maximale Performance

122A.4 Optimierungstechniken

55Decision Tree trainieren und als if-else exportieren

123A.5 Inferenz-Engines

56Random Forest trainieren und exportieren

124A.6 Metriken und Evaluation

57Pruning: Überflüssige Äste entfernen

125A.7 Deployment-Workflow

58Modellgröße durch Pruning reduzieren

126A.8 Häufige Fehler und Lösungen

59Zusammenfassung und Ausblick

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

60Kapitel 6 — K-Nearest Neighbors: Speicherhungriger Klassifikator

128Anhang B: Referenztabelle: Mikrocontroller und ihre ML-Fähigkeiten

61KNN: Der faulste aller Algorithmen

129Die drei Dimensionen der ML-Fitness

62Distanzmetriken: Euklidisch vs. Manhattan auf Integer-Hardware

130Tabelle B.1: Mikrocontroller-Klassen und ihre ML-Eignung

63Prototypen-Selektion: Weniger Daten, gleiche Leistung

131Der Cortex-M4 als Sweet Spot

64KNN auf dem Mikrocontroller: Der vollständige Build

132CMSIS-NN: Die geheime Waffe

65Zusammenfassung

133ESP32: Der Allrounder mit WLAN

66Kapitel 7 — Support Vector Machines: Maximale Margen, minimale Modelle

134MAX78000: Der CNN-Hardware-Beschleuniger

67Das Prinzip der maximalen Margin: Warum Abstand zählt

135Die Entscheidungsmatrix

68SVM auf dem Mikrocontroller: lediglich die Support Vectors zählen

136Praktischer Check: Flash- und RAM-K

More from Sloane Garrett

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$15 · $0.00

More from Technology

LiftoffEric Berger9h 4m$29 · $0.00

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

The Collected Works of Nikola TeslaNikola Tesla48h 43m$2 · $0.00

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

Hands of TimeRebecca Struthers8h 8m$26 · $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

KargilV.P. Malik15h 18m$24 · $0.00

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

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

Mars Rover CuriosityRob Manning, William L. Simon7h 43m$20

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