ML su dispositivi a basse risorse (TinyML, Edge AI)

Modulo 1: TinyML e Edge AI Cos'è il TinyML? Panoramica su Edge AI e la sua importanza Differenza tra AI tradizionale e AI su dispositivi a bassa potenza Applicazioni di TinyML e Edge AI nei dispositivi a bassa potenza Modulo 2: Hardware e Architettura per TinyML Dispositivi a basse risorse: microcontrollori e chip (es. ARM Cortex-M, Raspberry Pi, etc.) Architettura dei dispositivi embedded per AI Sensori e attuatori comuni nei sistemi TinyML Modulo 3: Algoritmi e Modelli per TinyML Introduzione agli algoritmi di Machine Learning leggeri Reti neurali a bassa complessità Compressione dei modelli per dispositivi a bassa potenza Modulo 4: Fondamenti di Machine Learning Panoramica su Supervised, Unsupervised e Reinforcement Learning Preprocessing dei dati per modelli leggeri Normalizzazione e scaling per modelli efficaci Modulo 5: Tecniche di Compressione del Modello Pruning, quantizzazione e knowledge distillation Riduzione della complessità computazionale senza perdita di prestazioni Compressione dei pesi e ottimizzazione per dispositivi embedded Modulo 6: TensorFlow Lite per Microcontrollori Introduzione a TensorFlow Lite e la versione per microcontrollori Strutturazione e preparazione dei modelli per TensorFlow Lite Ottimizzazione dei modelli per l’esecuzione su dispositivi embedded Modulo 7: Edge Computing: Concetti di Base Cos’è l'edge computing? Perché eseguire AI ai margini della rete? Differenza tra Edge AI e Cloud AI Modulo 8: L'importanza della Latency e Bandwidth Come minimizzare la latenza nei sistemi TinyML Ottimizzazione della larghezza di banda per comunicazioni efficienti Architetture distribuite e locali per applicazioni edge Modulo 9: Sistemi Operativi e Software per TinyML Sistemi operativi real-time (RTOS) e il loro ruolo in TinyML Software di supporto per l’esecuzione di modelli AI (es. FreeRTOS, Mbed OS) Gestione della memoria e risorse nei dispositivi embedded Modulo 10: Reti Neurali Convoluzionali (CNN) e loro applicazione in TinyML Introduzione alle CNN Modelli CNN ottimizzati per dispositivi a basse risorse Applicazioni pratiche: riconoscimento di immagini e video su dispositivi embedded Modulo 11: Inference e Inferenza Distribuita Concetti di inferenza in tempo reale Esecuzione distribuita di modelli AI su dispositivi edge Tecniche per distribuire carico computazionale tra vari dispositivi Modulo 12: Applicazioni di TinyML in IoT e Wearables Applicazioni in dispositivi IoT (internet of things) Wearables e salute: monitoraggio in tempo reale con AI Ottimizzazione dell'energia per dispositivi alimentati a batteria Modulo 13: Sicurezza e Privacy in Edge AI Sicurezza dei dispositivi con AI integrata Protezione dei dati su dispositivi edge e IoT Crittografia e anonimizzazione dei dati in sistemi TinyML Modulo 14: Software e Strumenti di Sviluppo per TinyML Strumenti di sviluppo per modelli TinyML (TensorFlow Lite, Edge Impulse, etc.) Frameworks per la creazione di applicazioni AI su dispositivi embedded Programmazione con linguaggi leggeri (C, Python, etc.) in contesti embedded Modulo 15: Futuro di TinyML e Edge AI Innovazioni emergenti nel campo dell’AI su dispositivi a bassa potenza Prospettive future per TinyML e Edge AI nei settori industriali e consumer Tendenze in evoluzione nell'ottimizzazione dei modelli e hardware embedded