책 세부 정보
형식
킨들
페이지
418
언어
이탈리아어
출판됨
Aug 16, 2025
설명
Questo volume rappresenta la Seconda Parte del corso su Tiny Machine Learning (TinyML) e IoT, ed è pensato come ponte tra le basi teoriche introdotte nella Parte 1 e l’ultima sezione del percorso, dedicata al deployment su microcontrollori.
Il testo è rivolto a chi desidera imparare in modo graduale e pratico come portare l’Intelligenza Artificiale su dispositivi a basse risorse. Con un linguaggio semplice, tanti esempi concreti ed esercizi passo-passo, fornisce gli strumenti per passare dalla teoria alla realizzazione di applicazioni reali.
Contenuti principaliIl percorso si sviluppa in lezioni
Introduzione all’ecosistema TensorFlow per il TinyML.
Conversione da TensorFlow a TensorFlow Lite per ridurre i modelli.
Transfer Learning e riuso di modelli pre-addestrati.
Tecniche di ottimizzazione, quantizzazione e potatura.
Creazione di applicazioni
Keyword Spotting (KWS) con riconoscimento vocale.
Visual Wake Words (VWW) per sistemi smart.
Anomaly Detection con K-Means, t-SNE e Autoencoder/VAE.
Introduzione alla Knowledge Distillation.
Metodo e progetti praticiOgni concetto è affiancato da esercizi Colab commentati riga per riga, con esempi replicabili
Addestramento e deployment di CNN su microcontrollore.
Utilizzo di MobileNetV2 in progetti di classificazione.
Pipeline di dataset tramite Pixabay API e Roboflow.
Sistemi di rilevamento anomalie applicati a dati reali e sintetici.
Punti di forzaApproccio “da laboratorio”, pratico e progressivo.
Copertura dal dato al modello con ottimizzazioni reali.
Attenzione a memoria, latenza, accuratezza e uso responsabile dei dati.
Applicazioni replicabili in visione, audio e anomaly detection.
A chi si rivolgePrincipianti motivati che vogliono portare l’AI su embedded.
Maker, sviluppatori IoT ed Edge AI, studenti di data science.
Prerequisiti: basi di Python/Colab e Parte 1 del corso.
Obiettivi finaliAl termine del libro sarai in grado di progettare e implementare un’app TinyML raccogliere dati, addestrare, ottimizzare e distribuire modelli su microcontrollori. Avrai inoltre a disposizione pattern riutilizzabili per KWS, VWW e Anomaly Detection, subito applicabili in nuovi progetti.
👉 In sintesi: un percorso pratico e guidato che ti porta dall’idea alla realizzazione di applicazioni TinyML concrete, aprendo le porte al mondo dell’Edge AI.
Il testo è rivolto a chi desidera imparare in modo graduale e pratico come portare l’Intelligenza Artificiale su dispositivi a basse risorse. Con un linguaggio semplice, tanti esempi concreti ed esercizi passo-passo, fornisce gli strumenti per passare dalla teoria alla realizzazione di applicazioni reali.
Contenuti principaliIl percorso si sviluppa in lezioni
Introduzione all’ecosistema TensorFlow per il TinyML.
Conversione da TensorFlow a TensorFlow Lite per ridurre i modelli.
Transfer Learning e riuso di modelli pre-addestrati.
Tecniche di ottimizzazione, quantizzazione e potatura.
Creazione di applicazioni
Keyword Spotting (KWS) con riconoscimento vocale.
Visual Wake Words (VWW) per sistemi smart.
Anomaly Detection con K-Means, t-SNE e Autoencoder/VAE.
Introduzione alla Knowledge Distillation.
Metodo e progetti praticiOgni concetto è affiancato da esercizi Colab commentati riga per riga, con esempi replicabili
Addestramento e deployment di CNN su microcontrollore.
Utilizzo di MobileNetV2 in progetti di classificazione.
Pipeline di dataset tramite Pixabay API e Roboflow.
Sistemi di rilevamento anomalie applicati a dati reali e sintetici.
Punti di forzaApproccio “da laboratorio”, pratico e progressivo.
Copertura dal dato al modello con ottimizzazioni reali.
Attenzione a memoria, latenza, accuratezza e uso responsabile dei dati.
Applicazioni replicabili in visione, audio e anomaly detection.
A chi si rivolgePrincipianti motivati che vogliono portare l’AI su embedded.
Maker, sviluppatori IoT ed Edge AI, studenti di data science.
Prerequisiti: basi di Python/Colab e Parte 1 del corso.
Obiettivi finaliAl termine del libro sarai in grado di progettare e implementare un’app TinyML raccogliere dati, addestrare, ottimizzare e distribuire modelli su microcontrollori. Avrai inoltre a disposizione pattern riutilizzabili per KWS, VWW e Anomaly Detection, subito applicabili in nuovi progetti.
👉 In sintesi: un percorso pratico e guidato che ti porta dall’idea alla realizzazione di applicazioni TinyML concrete, aprendo le porte al mondo dell’Edge AI.