
Eingebettetes Machine Learning Vereinfacht Von Sensordaten zu Intelligenten Entscheidungen auf Ressourcenbeschränkter Hardware
By Sloane GarrettLength8h 12m
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.
Audiobook details
GenreTechnology
Length8 hrs 12 mins
Narrated byListen with 1,000+ voices
FormateBook with Audio
Publish dateJul 2, 2026
LanguageGerman
Table of contents
1Vorwort
2Vorwort
3Warum eingebettetes ML?
4Was dich erwartet
5Für wen ist dieses Buch?
Mostrar todos os capítulosVer menos
6Ein Wort zur Philosophie
7Das Ziel
8Für wen dieses Buch ist
9Für wen dieses Buch ist
10Die Hardware-Tüftler
11Die Embedded-Entwickler
12Die Maker und Bastler
13Die Data Scientists mit Hardware-Neugier
14Was du mitbringen solltest
15Was du nicht brauchst
16Ein Tag im Leben dieses Buches
17Was Sie brauchen
18Was Sie brauchen
19Hardware
20Software
21Wissen
22Die Werkbank einrichten
23Was du nicht brauchst
24Der Deal
25Kapitel 1 — Warum Embedded ML? Einführung und Überblick: Das Problem der Latenz und Privatsphäre
26Der fundamentale Unterschied: Cloud-ML vs. Embedded ML
27Hardware-Landschaft: Von Mikrocontrollern bis zu MPUs
28Die Grundarchitektur eines Embedded-ML-Systems
29Unser erstes Projekt: Ein smarter Temperatursensor
30Typische Anwendungsfälle für Embedded ML
31Werkzeuge und Entwicklungsumgebung einrichten
32Zusammenfassung und Ausblick
33Kapitel 2 — Grundlagen der Datenaufbereitung für Embedded Systeme
34Feature Engineering: Weniger ist mehr
35Fixed-Point Arithmetik: Floats vermeiden
36Daten normalisieren auf dem Mikrocontroller
37Zusammenfassung und Ausblick
38Kapitel 3 — Einfache Klassifikation: Der Perzeptron-Algorithmus
39Das Perzeptron-Modell mathematisch verstehen
40Die Delta-Lernregel: Gewichte automatisch anpassen
41Ein binäres Klassifikationsproblem auf einem Mikrocontroller lösen
42Gewichte manuell aktualisieren und trainieren
43Praktische Anwendung: Temperatur-basierte Anomalieerkennung
44Zusammenfassung und Ausblick
45Kapitel 4 — Logistische Regression für Wahrscheinlichkeiten
46Von der linearen zur logistischen Regression
47Gradientenabstieg für die logistische Regression
48Multi-Klassen-Klassifikation mit One-vs-All
49Zusammenfassung
50Kapitel 5 — Entscheidungsbäume und Random Forests auf dem Microcontroller