Todas las rutas

Aprendizaje automático en un microcontrolador

Reconocimiento de gestos desde cero en Python puro en una Raspberry Pi: características, k vecinos más cercanos, árboles de decisión, una neurona, descenso de gradiente y una pequeña red neuronal, y pesos exportados como arreglos de C para un microcontrolador.

Raspberry Pi 4 Model BGratis7 lecciones5 h4 capítulos3,070 XPProgramación · Experto+400 XP

0 de 7 completadas

Lo que vas a construir

3 proyectos, construidos paso a paso

7 lecciones en 4 capítulos, unas 5 horas en una Raspberry Pi 4 Model B simulada. Gratis, en tu navegador, cada paso verificado por el simulador.

Proyecto del capítulo 1

k vecinos más cercanos

El modelo más simple que existe: etiquetar un gesto según sus gestos de entrenamiento más cercanos. Distancia, votos, precisión, cómo elegir k, una matriz de confusión, por qué importan los puntajes z y cuánto le cuesta el k-NN a un microcontrolador.

Ábrelo en el simulador
Proyecto del capítulo 2

Una neurona

Una neurona artificial: una suma ponderada, un sesgo y un escalón. Configura sus pesos a mano, deja que la regla del perceptrón los aprenda, descubre dónde una sola neurona se rinde (un problema que no es linealmente separable con una sola característica) y enciende una lámpara con ella.

Ábrelo en el simulador
Proyecto del capítulo 3

Pesos en C

Lleva el modelo al dispositivo: imprime los pesos entrenados y las constantes de puntaje z como arreglos de C que un sketch de microcontrolador puede pegar, cuantízalos a int8, comprueba que el modelo pequeño sigue de acuerdo e imprime la función de clasificar en C que los usa.

Ábrelo en el simulador
El mapa

Capítulo por capítulo

Cada lección se abre cuando termina la anterior, y cada capítulo termina en un proyecto.

Capítulo 1

Primero los datos

Convierte señales crudas del sensor en características y divídelas honestamente.

  1. Abrir330 XP

    Datos y características

    Gestos con un acelerómetro de muñeca: señales crudas, seis características que resumen medio segundo en seis números, promedios por clase que muestran por qué puede funcionar, una división honesta de entrenamiento y prueba, y puntajes z calculados solo con el conjunto de entrenamiento.

    0 de 5 pasos

  2. ProyectoBloqueado660 XP

    k vecinos más cercanos

    El modelo más simple que existe: etiquetar un gesto según sus gestos de entrenamiento más cercanos. Distancia, votos, precisión, cómo elegir k, una matriz de confusión, por qué importan los puntajes z y cuánto le cuesta el k-NN a un microcontrolador.

    0 de 5 pasos

5 preguntas, calificadas conforme avanzas.
Capítulo 2

Modelos que puedes leer

Árboles de decisión y una sola neurona, y dónde se rompe cada uno.

  1. Bloqueado280 XP

    Árboles de decisión

    Un modelo que puedes leer: la mejor primera pregunta según la impureza de Gini, un árbol de profundidad 2 impreso como reglas, el sobreajuste hecho visible con tres gestos mal etiquetados, y el árbol convertido en sentencias if de C.

    0 de 4 pasos

  2. ProyectoBloqueado560 XP

    Una neurona

    Una neurona artificial: una suma ponderada, un sesgo y un escalón. Configura sus pesos a mano, deja que la regla del perceptrón los aprenda, descubre dónde una sola neurona se rinde (un problema que no es linealmente separable con una sola característica) y enciende una lámpara con ella.

    0 de 4 pasos

4 preguntas, calificadas conforme avanzas.
Capítulo 3

Entrena y lleva al dispositivo

Descenso de gradiente en la Pi, luego pesos que un microcontrolador puede ejecutar.

  1. Bloqueado330 XP

    Entrenamiento en la Pi

    Descenso de gradiente desde cero: regresión softmax para los tres gestos, la pérdida de entropía cruzada bajando época por época, precisión y confianza en la prueba, tasas de aprendizaje demasiado pequeñas y demasiado grandes, y una red neuronal 6-4-3 entrenada por retropropagación.

    0 de 5 pasos

  2. ProyectoBloqueado560 XP

    Pesos en C

    Lleva el modelo al dispositivo: imprime los pesos entrenados y las constantes de puntaje z como arreglos de C que un sketch de microcontrolador puede pegar, cuantízalos a int8, comprueba que el modelo pequeño sigue de acuerdo e imprime la función de clasificar en C que los usa.

    0 de 4 pasos

5 preguntas, calificadas conforme avanzas.
Capítulo 4

Jefe final

Reconocimiento de gestos en vivo en el semáforo.

  1. Bloqueado350 XP

    Jefe final: reconocimiento de gestos

    El jefe final: todo el proceso en vivo. Presiona el botón, se registra un gesto nuevo, se extraen sus características, se calculan sus puntajes z y se clasifica, y el semáforo muestra saludo, golpe o círculo; un umbral de confianza dice "no estoy seguro" ante un gesto que nunca se le enseñó; y 30 gestos nunca vistos lo miden con honestidad.

    0 de 6 pasos

3 preguntas, calificadas al momento.
Certificado

Un certificado al terminar

Termina todas las lecciones y aprueba todos los cuestionarios de capítulo, y Mokxi te emite un certificado con tu nombre, verificado en su propia página.

Certificado n.ºMXC0-URSE-0001

Certificado de Finalización

Se certifica que

Tu Nombre

ha completado con éxito el curso

Aprendizaje automático en un microcontrolador

Cubre Primero los datos, Modelos que puedes leer, Entrena y lleva al dispositivo y Jefe final.

7 lecciones · alrededor de 5 horas de estudio

DaneDane, Fundador, MokxiEmitido el 17 de noviembre de 2026
Verificar este certificadomokxi.com/cert/MXC0URSE0001
Certificado

Gana tu certificado

  • Tu nombre y un ID únicoImpreso en un certificado horizontal que es tuyo para siempre.
  • Verificado por MokxiUn código QR y una página pública con la que cualquiera puede comprobarlo.
  • Agregar a LinkedInUn clic llena el formulario de certificaciones de LinkedIn.
  • Descargar como PDFImprímelo o adjúntalo a un currículum o a una solicitud.

Termina el curso y gana un certificado verificable con tu nombre, un código QR y un enlace para LinkedIn. Los certificados vienen con Pro, y la prueba gratis de 7 días no te cuesta nada.

Temario

Todas las lecciones del curso

Las 7 lecciones, en orden, cada una con lo que abarca. Cualquiera se abre en el editor de inmediato.

Capítulo 1

Primero los datos

  1. Datos y característicasGestos con un acelerómetro de muñeca: señales crudas, seis características que resumen medio segundo en seis números, promedios por clase que muestran por qué puede funcionar, una división honesta de entrenamiento y prueba, y puntajes z calculados solo con el conjunto de entrenamiento.
  2. k vecinos más cercanosEl modelo más simple que existe: etiquetar un gesto según sus gestos de entrenamiento más cercanos. Distancia, votos, precisión, cómo elegir k, una matriz de confusión, por qué importan los puntajes z y cuánto le cuesta el k-NN a un microcontrolador.
Capítulo 2

Modelos que puedes leer

  1. Árboles de decisiónUn modelo que puedes leer: la mejor primera pregunta según la impureza de Gini, un árbol de profundidad 2 impreso como reglas, el sobreajuste hecho visible con tres gestos mal etiquetados, y el árbol convertido en sentencias if de C.
  2. Una neuronaUna neurona artificial: una suma ponderada, un sesgo y un escalón. Configura sus pesos a mano, deja que la regla del perceptrón los aprenda, descubre dónde una sola neurona se rinde (un problema que no es linealmente separable con una sola característica) y enciende una lámpara con ella.
Capítulo 3

Entrena y lleva al dispositivo

  1. Entrenamiento en la PiDescenso de gradiente desde cero: regresión softmax para los tres gestos, la pérdida de entropía cruzada bajando época por época, precisión y confianza en la prueba, tasas de aprendizaje demasiado pequeñas y demasiado grandes, y una red neuronal 6-4-3 entrenada por retropropagación.
  2. Pesos en CLleva el modelo al dispositivo: imprime los pesos entrenados y las constantes de puntaje z como arreglos de C que un sketch de microcontrolador puede pegar, cuantízalos a int8, comprueba que el modelo pequeño sigue de acuerdo e imprime la función de clasificar en C que los usa.
Capítulo 4

Jefe final

  1. Jefe final: reconocimiento de gestosEl jefe final: todo el proceso en vivo. Presiona el botón, se registra un gesto nuevo, se extraen sus características, se calculan sus puntajes z y se clasifica, y el semáforo muestra saludo, golpe o círculo; un umbral de confianza dice "no estoy seguro" ante un gesto que nunca se le enseñó; y 30 gestos nunca vistos lo miden con honestidad.
Kits

Armélo también en tu banco de trabajo

Cada lección funciona en el simulador sin comprar nada. Cuando quieras lo real, estos kits tienen los componentes.

¿Ya tienes un kit?

Encuentra tu kit

Elige el kit inicial que tienes y ejecuta cada lección de su instructivo con los mismos componentes en los mismos pines.

Ver todos los kits
Preguntas

Acerca de Machine learning en un microcontrolador

¿Machine learning en un microcontrolador es gratis?

Sí. Las 7 lecciones de Machine learning en un microcontrolador son gratis y corren en tu navegador, sin nada que instalar y sin componentes que comprar antes de empezar.

¿Necesito una Raspberry Pi 4 Model B real?

No. Cada lección funciona en una Raspberry Pi 4 Model B simulada con sus componentes en el lienzo, y el simulador revisa cada paso a medida que avanzas. Cuando quieras armarlo de verdad, el mismo cableado y código funcionan en una placa real.

¿Cuánto dura Machine learning en un microcontrolador?

Unas 5 horas: 7 lecciones en 4 capítulos, cada uno con unos pasos cortos. Tu progreso se guarda, así que puedes parar después de cualquier lección y retomar donde lo dejaste.

¿Qué voy a armar?

Cada capítulo termina con un proyecto que lo junta todo: k vecinos más cercanos, Una neurona y Pesos en C.

¿Por dónde empiezo?

Con "Datos y características", y cada lección se basa en la anterior. ¿Nuevo en los circuitos? Electrónica básica es el curso que empieza desde cero.