Semua jalur

Machine learning di microcontroller

Pengenalan gestur dari nol dengan Python murni di Raspberry Pi: fitur, k-nearest neighbors, decision tree, sebuah neuron, gradient descent dan jaringan saraf kecil, serta bobot yang diekspor sebagai array C untuk microcontroller.

Raspberry Pi 4 Model BGratis7 pelajaran5 h4 bab3.070 XPCoding · Ahli+400 XP

0 dari 7 selesai

Apa yang akan kamu rakit

3 proyek, dibangun langkah demi langkah

7 pelajaran dalam 4 bab, sekitar 5 jam di Raspberry Pi 4 Model B simulasi. Gratis, di browser kamu, setiap langkah diperiksa oleh simulator.

Proyek bab 1

k-nearest neighbors

Model paling sederhana: labeli sebuah gestur seperti gestur pelatihan terdekatnya. Jarak, voting, akurasi, memilih k, confusion matrix, kenapa z-score penting, dan berapa biaya k-NN bagi microcontroller.

Buka di simulator
Proyek Bab 2

Satu neuron

Satu neuron buatan: jumlah berbobot, bias, dan sebuah step. Atur bobotnya secara manual, lalu biarkan aturan perceptron mempelajarinya, temukan di mana satu neuron menyerah (masalah yang tidak bisa dipisahkan secara linear dengan satu fitur), dan nyalakan sebuah lampu darinya.

Buka di simulator
Proyek bab 3

Bobot dalam C

Kirim modelnya: cetak bobot terlatih dan konstanta z-score sebagai array C yang bisa ditempel ke sketch microcontroller, kuantisasi ke int8, buktikan model kecilnya tetap setuju, dan cetak fungsi klasifikasi C yang menggunakannya.

Buka di simulator
Peta

Bab demi bab

Setiap pelajaran terbuka setelah pelajaran sebelumnya selesai, dan setiap bab ditutup dengan sebuah proyek.

Bab 1

Data dulu

Ubah data mentah sensor menjadi fitur dan pisahkan dengan jujur.

  1. Buka330 XP

    Data dan fitur

    Gestur dari akselerometer pergelangan tangan: data mentah, enam fitur yang meringkas setengah detik dalam enam angka, rata-rata kelas yang menunjukkan kenapa ini bisa berhasil, pembagian train/test yang jujur, dan z-score yang dihitung hanya dari set pelatihan.

    0 dari 5 langkah

  2. ProyekTerkunci660 XP

    k-nearest neighbors

    Model paling sederhana: labeli sebuah gestur seperti gestur pelatihan terdekatnya. Jarak, voting, akurasi, memilih k, confusion matrix, kenapa z-score penting, dan berapa biaya k-NN bagi microcontroller.

    0 dari 5 langkah

5 pertanyaan, dinilai sambil mengerjakan.
Bab 2

Model yang bisa dibaca

Decision tree dan satu neuron, dan di mana masing-masing gagal.

  1. Terkunci280 XP

    Decision tree

    Model yang bisa kamu baca: pertanyaan pertama terbaik berdasarkan Gini impurity, tree depth-2 yang dicetak sebagai aturan, overfitting yang terlihat jelas dengan tiga gestur yang salah label, dan tree yang diubah menjadi if statement C.

    0 dari 4 langkah

  2. ProyekTerkunci560 XP

    Satu neuron

    Satu neuron buatan: jumlah berbobot, bias, dan sebuah step. Atur bobotnya secara manual, lalu biarkan aturan perceptron mempelajarinya, temukan di mana satu neuron menyerah (masalah yang tidak bisa dipisahkan secara linear dengan satu fitur), dan nyalakan sebuah lampu darinya.

    0 dari 4 langkah

4 pertanyaan, dinilai sambil mengerjakan.
Bab 3

Latih dan kirim

Gradient descent di Pi, lalu bobot yang bisa dijalankan microcontroller.

  1. Terkunci330 XP

    Pelatihan di Pi

    Gradient descent dari nol: softmax regression untuk ketiga gestur, cross-entropy loss yang turun epoch demi epoch, akurasi dan confidence saat pengujian, learning rate yang terlalu kecil dan terlalu besar, dan jaringan saraf 6-4-3 yang dilatih dengan backpropagation.

    0 dari 5 langkah

  2. ProyekTerkunci560 XP

    Bobot dalam C

    Kirim modelnya: cetak bobot terlatih dan konstanta z-score sebagai array C yang bisa ditempel ke sketch microcontroller, kuantisasi ke int8, buktikan model kecilnya tetap setuju, dan cetak fungsi klasifikasi C yang menggunakannya.

    0 dari 4 langkah

5 pertanyaan, dinilai sambil mengerjakan.
Bab 4

Boss

Pengenalan gestur secara live di lampu lalu lintas.

  1. Terkunci350 XP

    Boss: pengenalan gestur

    Si boss: seluruh pipeline secara live. Tekan tombolnya, gestur baru direkam, dijadikan fitur, di-z-score, dan diklasifikasi, lalu lampu lalu lintas menampilkan wave, punch atau circle; ambang confidence berkata "tidak yakin" untuk gestur yang tidak pernah diajarkan; dan 30 gestur yang belum pernah dilihat mengukurnya dengan jujur.

    0 dari 6 langkah

3 pertanyaan, dinilai selagi mengerjakan.
Sertifikat

Sertifikat saat kamu menyelesaikan

Selesaikan semua pelajaran dan lulus semua kuis bab, lalu Mokxi menerbitkan sertifikat dengan namamu, terverifikasi di halamannya sendiri.

No. SertifikatMXC0-URSE-0001

Sertifikat Penyelesaian

Ini untuk menyatakan bahwa

Nama Kamu

telah berhasil menyelesaikan kursus

Machine learning di microcontroller

Mencakup Data dulu, Model yang bisa dibaca, Latih dan kirim, dan Boss.

7 pelajaran · sekitar 5 jam belajar

DaneDane, Pendiri, MokxiDiterbitkan 17 November 2026
Verifikasi sertifikat inimokxi.com/cert/MXC0URSE0001
Sertifikat

Raih sertifikatmu

  • Namamu dan ID unikDicetak pada sertifikat mode lanskap yang jadi milikmu.
  • Diverifikasi oleh MokxiKode QR dan halaman publik yang bisa dicek siapa pun.
  • Tambahkan ke LinkedInSatu klik mengisi formulir sertifikasi LinkedIn.
  • Unduh sebagai PDFCetak atau lampirkan ke CV atau lamaranmu.

Selesaikan kursusnya dan raih sertifikat terverifikasi atas namamu, lengkap dengan kode QR dan link untuk LinkedIn. Sertifikat tersedia di paket Pro, dan uji coba 7 hari gratis.

Silabus

Semua pelajaran dalam kursus

Semua 7 pelajaran, berurutan, masing-masing dengan cakupannya. Semuanya langsung terbuka di editor.

Bab 1

Data dulu

  1. Data dan fiturGestur dari akselerometer pergelangan tangan: data mentah, enam fitur yang meringkas setengah detik dalam enam angka, rata-rata kelas yang menunjukkan kenapa ini bisa berhasil, pembagian train/test yang jujur, dan z-score yang dihitung hanya dari set pelatihan.
  2. k-nearest neighborsModel paling sederhana: labeli sebuah gestur seperti gestur pelatihan terdekatnya. Jarak, voting, akurasi, memilih k, confusion matrix, kenapa z-score penting, dan berapa biaya k-NN bagi microcontroller.
Bab 2

Model yang bisa dibaca

  1. Decision treeModel yang bisa kamu baca: pertanyaan pertama terbaik berdasarkan Gini impurity, tree depth-2 yang dicetak sebagai aturan, overfitting yang terlihat jelas dengan tiga gestur yang salah label, dan tree yang diubah menjadi if statement C.
  2. Satu neuronSatu neuron buatan: jumlah berbobot, bias, dan sebuah step. Atur bobotnya secara manual, lalu biarkan aturan perceptron mempelajarinya, temukan di mana satu neuron menyerah (masalah yang tidak bisa dipisahkan secara linear dengan satu fitur), dan nyalakan sebuah lampu darinya.
Bab 3

Latih dan kirim

  1. Pelatihan di PiGradient descent dari nol: softmax regression untuk ketiga gestur, cross-entropy loss yang turun epoch demi epoch, akurasi dan confidence saat pengujian, learning rate yang terlalu kecil dan terlalu besar, dan jaringan saraf 6-4-3 yang dilatih dengan backpropagation.
  2. Bobot dalam CKirim modelnya: cetak bobot terlatih dan konstanta z-score sebagai array C yang bisa ditempel ke sketch microcontroller, kuantisasi ke int8, buktikan model kecilnya tetap setuju, dan cetak fungsi klasifikasi C yang menggunakannya.
Bab 4

Boss

  1. Boss: pengenalan gesturSi boss: seluruh pipeline secara live. Tekan tombolnya, gestur baru direkam, dijadikan fitur, di-z-score, dan diklasifikasi, lalu lampu lalu lintas menampilkan wave, punch atau circle; ambang confidence berkata "tidak yakin" untuk gestur yang tidak pernah diajarkan; dan 30 gestur yang belum pernah dilihat mengukurnya dengan jujur.
Kit

Rangkai juga di meja kerja kamu

Setiap pelajaran jalan di simulator tanpa perlu membeli apa pun. Kalau kamu mau yang asli, kit berikut punya komponennya.

Sudah punya kit?

Cari kit kamu

Pilih starter kit yang kamu punya dan jalankan setiap pelajaran di manualnya dengan komponen yang sama di pin yang sama.

Lihat semua kit
Pertanyaan

Tentang Machine learning on a microcontroller

Apakah Machine learning on a microcontroller gratis?

Ya. Semua 7 pelajaran Machine learning on a microcontroller gratis dan berjalan di browser kamu, tanpa perlu memasang apa pun dan tanpa perlu membeli komponen sebelum memulai.

Apakah aku butuh Raspberry Pi 4 Model B sungguhan?

Tidak. Setiap pelajaran berjalan di Raspberry Pi 4 Model B simulasi dengan komponennya di kanvas, dan simulator memeriksa tiap langkahmu. Saat kamu ingin merakitnya sungguhan, kabel dan kode yang sama bisa dipakai di board asli.

Berapa lama waktu yang dibutuhkan untuk Machine learning on a microcontroller?

Sekitar 5 jam: 7 pelajaran dalam 4 bab, masing-masing terdiri dari beberapa langkah singkat. Progresmu tersimpan, jadi kamu bisa berhenti setelah pelajaran mana pun dan melanjutkan di lain waktu.

Apa yang akan aku buat?

Setiap bab diakhiri dengan proyek yang merangkum semuanya: k-nearest neighbors, A neuron dan Weights in C.

Di mana aku mulai?

Dengan "Data and features", dan setiap pelajaran dibangun di atas pelajaran sebelumnya. Baru mengenal rangkaian? Electronics basics adalah kursus yang dimulai dari nol.