Online or onsite, instructor-led live TinyML training courses demonstrate through interactive hands-on practice how to use machine learning on ultra-low-power devices to enable AI-driven applications in resource-constrained environments.
TinyML training is available as "online live training" or "onsite live training". Online live training (aka "remote live training") is carried out by way of an interactive, remote desktop. Dolnośląskie onsite live TinyML trainings can be carried out locally on customer premises or in NobleProg corporate training centers.
NobleProg -- Your Local Training Provider
Wrocław
NobleProg, Ludwika Rydygiera 2a/22, Wroclaw, Polska, 50-249
Lokal znajduje się w samym centrum miasta (vis-à-vis hotelu HP Park Plaza), zaledwie 10 minut spacerem od Rynku, tuż przy skrzyżowaniu ulic Drobnera i Rydygiera.
Wejście do budynku zlokalizowane jest od strony ulicy Śrutowej, tuż przy skrzyżowaniu z Bolesława Drobnera. Idąc od strony pl. Bema, mijamy po prawej stronie Rossmann i tuż za nim skręcamy w Śrutową - wejście będzie po prawej. Kierując się od pl. Dubois, mijamy po lewej aptekę Ziko oraz Carrefour Express i dochodzimy aż do skrzyżowania z ul. Śrutową - skręcamy w nią, wejście do budynku będzie po prawej stronie.
Sala szkoleniowa znajduje się na drugim piętrze.
Parking
W pobliżu sali szkoleniowej liczba miejsc parkingowych jest ograniczona, nie obowiązuje strefa płatnego parkowania (wzdłuż ulic Rydygiera, Śrutowej i Henryka Brodatego, Bolesława Drobnera). Ul. Ludwika Rydygiera jest jednokierunkowa, wjazd od ul. Bolesława Drobnera. Ul. Śrutowa także jest jednokierunkowa, wjazd od ul. Henryka Brodatego.
Dojazd komunikacją miejską
This instructor-led, live training in dolnośląskie (online or onsite) is aimed at intermediate-level embedded engineers, IoT developers, and AI researchers who wish to implement TinyML techniques for AI-powered applications on energy-efficient hardware.
By the end of this training, participants will be able to:
Understand the fundamentals of TinyML and edge AI.
Deploy lightweight AI models on microcontrollers.
Optimize AI inference for low-power consumption.
Integrate TinyML with real-world IoT applications.
To prowadzone przez instruktora szkolenie na żywo w dolnośląskie (na miejscu lub zdalnie) jest przeznaczone dla średnio zaawansowanych programistów IoT, inżynierów wbudowanych i praktyków AI, którzy chcą wdrożyć TinyML do konserwacji predykcyjnej, wykrywania anomalii i aplikacji inteligentnych czujników.
Pod koniec tego szkolenia uczestnicy będą mogli
Zrozumieć podstawy TinyML i jego zastosowania w IoT.
Skonfigurować środowisko programistyczne TinyML dla projektów IoT.
Rozwijać i wdrażać modele ML na mikrokontrolerach o niskim poborze mocy.
Wdrożenie konserwacji predykcyjnej i wykrywania anomalii przy użyciu TinyML.
Optymalizacja modeli TinyML pod kątem efektywnego wykorzystania energii i pamięci.
To prowadzone przez instruktora szkolenie na żywo w dolnośląskie (na miejscu lub zdalnie) jest przeznaczone dla średnio zaawansowanych inżynierów systemów wbudowanych i programistów AI, którzy chcą wdrożyć modele uczenia maszynowego na mikrokontrolerach przy użyciu TensorFlow Lite i Edge Impulse.
Pod koniec tego szkolenia uczestnicy będą mogli
Zrozumieć podstawy TinyML i jego zalety dla aplikacji brzegowych AI.
Skonfigurować środowisko programistyczne dla projektów TinyML.
Trenować, optymalizować i wdrażać modele AI na mikrokontrolerach o niskim poborze mocy.
Wykorzystanie TensorFlow Lite i Edge Impulse do wdrożenia rzeczywistych aplikacji TinyML.
Optymalizacja modeli AI pod kątem wydajności energetycznej i ograniczeń pamięci.
To prowadzone przez instruktora szkolenie na żywo w dolnośląskie (online lub na miejscu) jest przeznaczone dla początkujących inżynierów i naukowców zajmujących się danymi, którzy chcą zrozumieć podstawy TinyML, zbadać jego zastosowania i wdrożyć modele sztucznej inteligencji na mikrokontrolerach.
Pod koniec tego szkolenia uczestnicy będą mogli
Zrozumieć podstawy TinyML i jego znaczenie.
Wdrażać lekkie modele AI na mikrokontrolerach i urządzeniach brzegowych.
Optymalizować i dostrajać modele uczenia maszynowego pod kątem niskiego zużycia energii.
Zastosować TinyML w rzeczywistych aplikacjach, takich jak rozpoznawanie gestów, wykrywanie anomalii i przetwarzanie dźwięku.