Curso de Machine Learning com Arduino

Aula 1 • Configuração e Navegação na IDE Arduino

Guia a instalação e configuração da IDE Arduino. Os alunos adquirem a fluência necessária no conjunto de ferramentas para escrever, compilar e enviar código de forma confiável.

Aula 2 • Leitura de Sensores e Saída Serial

Apresenta analogRead e digitalRead para entrada de sensores. Os alunos aprendem a transmitir dados para o Monitor Serial, permitindo a coleta básica de dados.

Aula 3 • Visão Geral do Hardware Arduino

Aborda a anatomia da placa, tipos de pinos e especificações de alimentação. Estabelece a base física necessária para todas as atividades subsequentes de montagem de circuitos.

Aula 4 • Conceitos Essenciais de Eletrônica

Apresenta tensão, corrente, resistência e a Lei de Ohm. Fornece a teoria elétrica necessária para projetar circuitos seguros e funcionais ao longo do curso.

Aula 1 • Transferindo Dados para um Computador Host

Aborda streaming serial e transferência de arquivos SD para um PC. Ponteia a etapa de coleta de dados de hardware com o pipeline de pré-processamento baseado em Python.

Aula 2 • Estratégia de Amostragem e Qualidade dos Dados

Aborda frequência de amostragem, ruído e valores ausentes. Garante que os dados coletados atendam aos padrões de qualidade exigidos para o treinamento confiável de modelos de ML.

Aula 3 • Tipos de Sensores e Características de Sinais

Examina categorias comuns de sensores e seus tipos de sinal de saída. Constrói critérios de seleção usados ao projetar rigs de coleta de dados para ML.

Aula 4 • Montagem de Circuitos com Múltiplos Sensores

Aborda os protocolos de comunicação I2C, SPI e UART para conectar múltiplos sensores. Os alunos montam circuitos que alimentam vários fluxos de dados simultaneamente.

Aula 1 • Configuração do Ambiente Python e Bibliotecas

Configura um ambiente Python com NumPy, pandas e scikit-learn. Estabelece a pilha de software usada para todas as tarefas de pré-processamento e modelagem.

Aula 2 • Engenharia de Características a partir de Sinais de Sensores

Deriva características estatísticas e no domínio da frequência a partir de sinais brutos. Converte dados de séries temporais de sensores em características discriminativas para classificadores.

Aula 3 • Carregando e Inspecionando Dados de Sensores

Usa pandas para carregar logs CSV e realizar análise exploratória. Identifica problemas de qualidade dos dados antes de aplicar qualquer transformação.

Aula 4 • Limpeza e Imputação de Valores Ausentes

Aplica estratégias para lidar com nulos, duplicatas e falhas de sensores. Produz um conjunto de dados completo e consistente, pronto para a engenharia de características.

Aula 1 • Fundamentos de Aprendizado Supervisionado

Define classificação vs. regressão e o tradeoff viés-variância. Enquadra as decisões de seleção de algoritmo usadas ao longo do capítulo.

Aula 2 • Árvores de Decisão e Florestas Aleatórias

Constrói modelos baseados em árvore adequados para classificadores embarcados pequenos e interpretáveis. Aborda poda e métodos ensemble para melhorar a generalização.

Aula 3 • Máquinas de Vetores de Suporte para Dados de Sensores

Aplica SVMs com kernel linear e RBF a tarefas de classificação de sensores. Ajusta os hiperparâmetros C e gamma usando busca em grade.

Aula 4 • K-Vizinhos Mais Próximos e Naive Bayes

Treina classificadores leves com pegada mínima de memória. Avalia sua adequação para inferência em tempo real em hardware com recursos limitados.

Aula 1 • Resposta do Atuador às Previsões

Aciona LEDs, buzzers ou servos com base na saída do classificador. Completa o loop de sentir-inferir-agir para um sistema ML embarcado totalmente autônomo.

Aula 2 • Conversão de Modelo e Restrições de Tamanho

Explica os limites de flash e SRAM de placas Arduino comuns. Guia a simplificação do modelo para caber dentro dos orçamentos de memória do hardware.

Aula 3 • Exportando Modelos com EloquentML

Usa a biblioteca EloquentML para gerar automaticamente cabeçalhos de modelo em C++. Os alunos integram cabeçalhos exportados em sketches Arduino sem codificação manual.

Aula 4 • Integrando Inferência em Sketches Arduino

Insere o cabeçalho do modelo e escreve o loop de inferência na IDE Arduino. Conecta leituras ao vivo do sensor à função predict().

Aula 1 • Projeto de Reconhecimento de Gestos e Movimento

Aplica o pipeline TFLite completo para classificar gestos baseados em IMU. Consolida habilidades de implantação de redes neurais em um projeto completo de ponta a ponta.

Aula 2 • Implantando TFLite no Arduino

Integra a biblioteca TFLite Micro e o array do modelo em um sketch Arduino. Os alunos executam inferência ao vivo usando a API do interpretador.

Aula 3 • Fundamentos de Redes Neurais

Aborda perceptrons, funções de ativação e arquitetura feedforward. Fornece a base conceitual para construir redes adequadas à classificação de sensores.

Aula 4 • Convertendo Modelos para TensorFlow Lite

Aplica quantização pós-treinamento e exporta arquivos .tflite. Reduz o tamanho do modelo e a latência para implantação em microcontroladores.

Aula 1 • Conceitos de Aprendizado Não Supervisionado

Define os paradigmas de clustering, estimativa de densidade e detecção de anomalias. Estabelece quando os métodos não supervisionados superam as alternativas supervisionadas.

Aula 2 • Clustering K-Means em Dados de Sensores

Aplica K-means para agrupar leituras de sensores em estados operacionais. As atribuições dos clusters servem como pseudo-rótulos para o threshold de anomalias downstream.

Aula 3 • Implantando Detecção de Anomalias no Arduino

Transpõe lógica de threshold e modelos leves para sketches Arduino. Os alunos disparam alertas quando as pontuações de anomalia excedem limites calibrados.

Aula 4 • Detecção de Anomalias Baseada em Threshold Estatístico

Usa z-scores e IQR para sinalizar leituras de sensores fora das faixas normais. Implementa lógica de detecção leve implantável diretamente no Arduino.

Aula 1 • Pipeline de Coleta e Pré-processamento de Dados

Executa o fluxo de trabalho completo de aquisição e limpeza de dados para a aplicação escolhida. Produz um conjunto de dados validado e pronto para ML, específico para o domínio do projeto.

Aula 2 • Documentação e Apresentação do Projeto

Produz documentação técnica e realiza uma demonstração ao vivo. Desenvolve habilidades de comunicação para apresentar trabalhos de ML embarcado para audiências técnicas.

Aula 3 • Escopo e Requisitos do Projeto

Define a declaração do problema, a seleção de sensores e as métricas de sucesso. Produz um resumo do projeto que orienta todas as decisões subsequentes de design e construção.

Aula 4 • Treinamento e Otimização do Modelo

Treina, ajusta e seleciona o melhor modelo para as restrições do projeto. Equilibra acurácia, tamanho do modelo e velocidade de inferência para a placa alvo.