Book Details
Format
Kindle
Pages
444
Language
French
Published
Aug 17, 2025
Description
Description du livre
Ce volume constitue la Deuxième Partie du cours sur le Tiny Machine Learning (TinyML) et l’IoT. Il sert de pont entre les bases théoriques présentées dans la Partie 1 et la dernière étape du parcours, consacrée au déploiement sur microcontrôleurs.
L’ouvrage s’adresse à celles et ceux qui souhaitent apprendre de manière progressive et pratique à porter l’Intelligence Artificielle sur des dispositifs à faibles ressources. Avec un langage simple, de nombreux exemples concrets et des exercices pas à pas, il fournit les outils pour passer de la théorie à la réalisation d’applications réelles.
Contenus principaux
Le parcours se développe en leçons progressives :
Introduction à l’écosystème TensorFlow pour le TinyML.
Conversion de TensorFlow vers TensorFlow Lite pour alléger les modèles.
Transfer Learning et réutilisation de modèles préentraînés.
Techniques d’optimisation, de quantification et d’élagage (pruning).
Création d’applications concrètes :
Keyword Spotting (KWS) avec reconnaissance vocale.
Visual Wake Words (VWW) pour systèmes intelligents.
Anomaly Detection avec K-Means, t-SNE et Autoencoder/VAE.
Introduction à la Knowledge Distillation et à TensorFlow Micro.
Méthode et projets pratiques
Chaque concept est accompagné d’exercices Colab commentés ligne par ligne, avec des exemples reproductibles tels que :
Entraînement et déploiement de CNN sur microcontrôleur.
Utilisation de MobileNetV2 dans des projets de classification.
Pipeline de jeux de données via l’API Pixabay et Roboflow.
Systèmes de détection d’anomalies appliqués à des données réelles et synthétiques.
Points forts
Approche de type “laboratoire”, pratique et progressive.
Couverture complète : des données au modèle avec des optimisations concrètes.
Attention portée à la mémoire, la latence, la précision et l’usage responsable des données.
Applications reproductibles en vision, audio et détection d’anomalies.
Public visé
Débutants motivés souhaitant porter l’IA sur l’embarqué.
Makers, développeurs IoT et Edge AI, étudiants en data science.
Prérequis : bases de Python/Colab et Partie 1 du cours.
Objectifs finaux
À l’issue du livre, vous serez capable de concevoir et d’implémenter une application TinyML complète : collecte e
Ce volume constitue la Deuxième Partie du cours sur le Tiny Machine Learning (TinyML) et l’IoT. Il sert de pont entre les bases théoriques présentées dans la Partie 1 et la dernière étape du parcours, consacrée au déploiement sur microcontrôleurs.
L’ouvrage s’adresse à celles et ceux qui souhaitent apprendre de manière progressive et pratique à porter l’Intelligence Artificielle sur des dispositifs à faibles ressources. Avec un langage simple, de nombreux exemples concrets et des exercices pas à pas, il fournit les outils pour passer de la théorie à la réalisation d’applications réelles.
Contenus principaux
Le parcours se développe en leçons progressives :
Introduction à l’écosystème TensorFlow pour le TinyML.
Conversion de TensorFlow vers TensorFlow Lite pour alléger les modèles.
Transfer Learning et réutilisation de modèles préentraînés.
Techniques d’optimisation, de quantification et d’élagage (pruning).
Création d’applications concrètes :
Keyword Spotting (KWS) avec reconnaissance vocale.
Visual Wake Words (VWW) pour systèmes intelligents.
Anomaly Detection avec K-Means, t-SNE et Autoencoder/VAE.
Introduction à la Knowledge Distillation et à TensorFlow Micro.
Méthode et projets pratiques
Chaque concept est accompagné d’exercices Colab commentés ligne par ligne, avec des exemples reproductibles tels que :
Entraînement et déploiement de CNN sur microcontrôleur.
Utilisation de MobileNetV2 dans des projets de classification.
Pipeline de jeux de données via l’API Pixabay et Roboflow.
Systèmes de détection d’anomalies appliqués à des données réelles et synthétiques.
Points forts
Approche de type “laboratoire”, pratique et progressive.
Couverture complète : des données au modèle avec des optimisations concrètes.
Attention portée à la mémoire, la latence, la précision et l’usage responsable des données.
Applications reproductibles en vision, audio et détection d’anomalies.
Public visé
Débutants motivés souhaitant porter l’IA sur l’embarqué.
Makers, développeurs IoT et Edge AI, étudiants en data science.
Prérequis : bases de Python/Colab et Partie 1 du cours.
Objectifs finaux
À l’issue du livre, vous serez capable de concevoir et d’implémenter une application TinyML complète : collecte e