Avansert utvikling av inbyggede systemer Treningskurs

I denne instruktørledede, live-opplæringen i Norge, vil deltakerne lære å programmere Arduino for bruk i virkeligheten, som å kontrollere lys, motorer og bevegelsessensorer. Dette kurset forutsetter bruk av virkelige hardwarekomponenter i et live-laboratorium (ikke software-simulert hardware).

Ved avslutningen av denne opplæringen vil deltakerne kunne:

• Programmere Arduino til å kontrollere lys, motorer og andre enheter.
• Forstå Arduino-arkitekturen, inkludert inn- og utganger for tilleggsenheter.
• Legge til tredjepartskomponenter som LCD-skjermer, akselerometere, gyroskop og GPS-sporere for å utvide Arduino-funksjonaliteten.
• Forstå de forskjellige mulighetene for programmeringsspråk, fra C til drag-and-drop-språk.
• Test, feilsøk og deploy Arduino for å løse virkelige problemer.

Et todagers kurs som dekker alle designprinsipper med kodeeksempler kombinert med nyere industriell teknologi; veldig nyttig for programvareutviklere for bilindustrien

Dette instruktørledede, live-treningen (online eller på stedet) er rettet mot C-utviklere som ønsker å lære embedded C-designprinsipper.

Etter fullført trening vil deltakerne kunne:

• Føre ut designovervewegser som gjør embedded C-programmer pålitelige
• Definere funksjonaliteten til et embeddet system
• Definere programlogikken og strukturen for å oppnå den ønskede resultat
• Designe en pålitelig, feilfri embedded applikasjon
• Få optimal ytelse fra målhardvaren

Kursformat:

• Interaktiv forelesning og diskusjon
• Øvelser og praksis
• Håndtering i en live-lab miljø

Kurstilpasningsmuligheter:

• For å be om tilpasset trening for dette kurset, vennligst kontakt oss for å avtale.

Denne instruktørledede, live-treningen på Norge (online eller på stedet) retter seg mot mellomnivå-embeddede systemingeniører og AI-utviklere som ønsker å deploye maskinlæringsmodeller på mikrocontroller ved bruk av TensorFlow Lite og Edge Impulse.

Ved slutten av denne treningen vil deltakerne være i stand til:

• Forstå grunnleggende prinsipper for TinyML og dets fordeler for edge AI-applikasjoner.
• Opprette en utviklingsmiljø for TinyML-prosjekter.
• Tren, optimalisere og deploye AI-modeller på lavstrøms mikrocontroller.
• Bruke TensorFlow Lite og Edge Impulse for å implementere virkelige TinyML-applikasjoner.
• Optimalisere AI-modeller for strømforbruk og minnebegrensninger.

Denne instruktørledede, live-opplæringen i Norge (online eller på stedet) er rettet mot ingeniører som ønsker å lære designprinsippene for mikrokontrollerdesign.

Raspberry Pi er en svært liten, enkelt-kretsdatamaskin.

I denne instruktør-ledede, live-treningen vil deltakerne lære å sette opp og programmere Raspberry Pi for å fungere som et interaktivt og kraftig innbygget system.

Ved avslutningen av denne treningen vil deltakerne være i stand til:

• Sette opp en IDE (integrert utviklingsmiljø) for maksimal utviklingsproduktivitet
• Programmere Raspberry Pi for å styre enheter som bevegelsessensorer, alarmer, webservere og skriverer
• Forstå Raspberry Pi's arkitektur, inkludert innganger og kontakter for tilleggsenheter
• Forstå de ulike mulighetene for programmeringsspråk og operativsystemer
• Teste, feilsøke og distribuere Raspberry Pi for å løse virkelige problemer

Målgruppe

• Utviklere
• Hardware-/softwareteknikere
• Tekniske personer i alle bransjer
• Hobbyister

Format på kurset

• Delen forelesning, del diskusjon, øvelser og mye praktisk øving

Merknad

• Raspberry Pi støtter ulike operativsystemer og programmeringsspråk. Dette kurset vil bruke Linux-baserte Raspbian som operativsystem og Python som programmeringsspråk. For å be om en spesifikk innstilling, vennligst kontakt oss for å ordne.
• Deltakere er ansvarlige for å kjøpe Raspberry Pi-hardware og komponenter.

Denne instruktørledede, direkteopplæringen i Norge (online eller på stedet) er rettet mot ingeniører som ønsker å skrive, laste og kjøre maskinlæringsmodeller på svært små innebygde enheter.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Installer TensorFlow Lite.
• Last inn maskinlæringsmodeller på en innebygd enhet for å gjøre den i stand til å oppdage tale, klassifisere bilder osv.
• Legg til AI til maskinvareenheter uten å stole på nettverkstilkobling.