جزئیات کتاب
فرمت
کیندل
صفحات
434
زبان
پرتغالی
منتشر شده
Aug 18, 2025
توضیحات
Descrição do livro
Este volume representa a Segunda Parte do curso sobre Tiny Machine Learning (TinyML) e IoT, concebido como uma ponte entre as bases teóricas introduzidas na Parte 1 e a etapa final do percurso, dedicada ao deployment em microcontroladores.
O texto destina-se a quem deseja aprender de forma gradual e prática a levar a Inteligência Artificial para dispositivos com recursos limitados. Com linguagem simples, muitos exemplos concretos e exercícios passo a passo, oferece as ferramentas para passar da teoria à realização de aplicações reais.
Conteúdos principais
O percurso desenvolve-se em lições
Introdução ao ecossistema TensorFlow para TinyML.
Conversão de TensorFlow para TensorFlow Lite para reduzir os modelos.
Transfer Learning e reutilização de modelos pré-treinados.
Técnicas de otimização, quantização e poda (pruning).
Criação de aplicações
Keyword Spotting (KWS) com reconhecimento de voz.
Visual Wake Words (VWW) para sistemas inteligentes.
Anomaly Detection com K-Means, t-SNE e Autoencoder/VAE.
Introdução à Knowledge Distillation e ao TensorFlow Micro.
Método e projetos práticos
Cada conceito é acompanhado por exercícios no Colab comentados linha a linha, com exemplos reproduzíveis, tais
Treinamento e deployment de CNN em microcontrolador.
Uso de MobileNetV2 em projetos de classificação.
Pipeline de datasets por meio da API do Pixabay e do Roboflow.
Sistemas de detecção de anomalias aplicados a dados reais e sintéticos.
Pontos fortes
Abordagem “de laboratório”, prática e progressiva.
Cobertura dos dados ao modelo, com otimizações reais.
Atenção à memória, latência, precisão e uso responsável dos dados.
Aplicações replicáveis em visão, áudio e detecção de anomalias.
A quem se destina
Principiantes motivados que desejam levar IA ao ambiente embarcado.
Makers, desenvolvedores de IoT e Edge AI, estudantes de data science.
Pré-requisitos: bases de Python/Colab e a Parte 1 do curso.
Objetivos finais
Ao final do livro, você será capaz de projetar e implementar um app TinyML coletar dados, treinar, otimizar e distribuir modelos em microcontroladores. Terá ainda à disposição padrões reutilizáveis para KWS, VWW e Anomaly Detection, prontos para aplicação em novos projetos.
👉
Em sí um percurso prático e orientado que leva da ideia à realização de aplicações TinyML concretas, abrindo as portas para o mundo da Edge AI.
Este volume representa a Segunda Parte do curso sobre Tiny Machine Learning (TinyML) e IoT, concebido como uma ponte entre as bases teóricas introduzidas na Parte 1 e a etapa final do percurso, dedicada ao deployment em microcontroladores.
O texto destina-se a quem deseja aprender de forma gradual e prática a levar a Inteligência Artificial para dispositivos com recursos limitados. Com linguagem simples, muitos exemplos concretos e exercícios passo a passo, oferece as ferramentas para passar da teoria à realização de aplicações reais.
Conteúdos principais
O percurso desenvolve-se em lições
Introdução ao ecossistema TensorFlow para TinyML.
Conversão de TensorFlow para TensorFlow Lite para reduzir os modelos.
Transfer Learning e reutilização de modelos pré-treinados.
Técnicas de otimização, quantização e poda (pruning).
Criação de aplicações
Keyword Spotting (KWS) com reconhecimento de voz.
Visual Wake Words (VWW) para sistemas inteligentes.
Anomaly Detection com K-Means, t-SNE e Autoencoder/VAE.
Introdução à Knowledge Distillation e ao TensorFlow Micro.
Método e projetos práticos
Cada conceito é acompanhado por exercícios no Colab comentados linha a linha, com exemplos reproduzíveis, tais
Treinamento e deployment de CNN em microcontrolador.
Uso de MobileNetV2 em projetos de classificação.
Pipeline de datasets por meio da API do Pixabay e do Roboflow.
Sistemas de detecção de anomalias aplicados a dados reais e sintéticos.
Pontos fortes
Abordagem “de laboratório”, prática e progressiva.
Cobertura dos dados ao modelo, com otimizações reais.
Atenção à memória, latência, precisão e uso responsável dos dados.
Aplicações replicáveis em visão, áudio e detecção de anomalias.
A quem se destina
Principiantes motivados que desejam levar IA ao ambiente embarcado.
Makers, desenvolvedores de IoT e Edge AI, estudantes de data science.
Pré-requisitos: bases de Python/Colab e a Parte 1 do curso.
Objetivos finais
Ao final do livro, você será capaz de projetar e implementar um app TinyML coletar dados, treinar, otimizar e distribuir modelos em microcontroladores. Terá ainda à disposição padrões reutilizáveis para KWS, VWW e Anomaly Detection, prontos para aplicação em novos projetos.
👉
Em sí um percurso prático e orientado que leva da ideia à realização de aplicações TinyML concretas, abrindo as portas para o mundo da Edge AI.