Dados Gerais do Componente Curricular
| Tipo do Componente Curricular: |
DISCIPLINA |
| Unidade Responsável: |
ENGENHARIA DE COMPUTAÇÃO (11.00.43.56.06) |
| Curso: |
ENGENHARIA DE COMPUTAÇÃO - CAMPUS MACEIÓ - MATUTINO E VESPERTINO - PRESENCIAL - Maceió - BACHARELADO - Regular - Semestral (1139973) |
| Código: |
ECOM193 |
| Nome: |
APRENDIZAGEM DE MÁQUINA EM SISTEMAS EMBARCADOS |
| Carga Horária Teórica: |
60 h. |
| Carga Horária Prática: |
0 h. |
| Carga Horária de Ead: |
0 h. |
| Carga Horária Total: |
60 h. |
| Pré-Requisitos: |
|
| Co-Requisitos: |
|
| Equivalências: |
|
| Excluir da Avaliação Institucional: |
Não |
| Matriculável On-Line: |
Sim |
| Horário Flexível da Turma: |
Não |
| Horário Flexível do Docente: |
Sim |
| Obrigatoriedade de Nota Final: |
Sim |
| Pode Criar Turma Sem Solicitação: |
Sim |
| Necessita de Orientador: |
Não |
| Possui Subturmas: |
Não |
| Exige Horário: |
Sim |
| Quantidade de Avaliações: |
|
| Ementa/Descrição: |
Fundamentos de IoT. Fundamentos de aprendizado de máquina (ML). Fundamentos de Deep Learning (DL). Como coletar dados para ML. Como treinar e implantar modelos de ML. Noções básicas sobre ML embarcado. O código por trás de alguns dos aplicativos mais amplamente utilizados no TinyML. Casos reais de aplicação do TinyML na indústria. Princípios de reconhecimento automático de fala (KeyWord Spotting apps como Alexa, Hey Google, Siri, etc.). Princípios de classificação automática de imagens (Visual Wake Words). Conceito de detecção de anomalias e modelos de ML aplicáveis. Princípios de Engenharia de Dados aplicado ao TinyML. Visão geral do hardware de dispositivos baseados em microcontroladores. Visão geral do software por trás de dispositivos baseados em microcontroladores. Projetos reais utilizando plataformas de mercado. Design, desenvolvimento e Implantação de uma IA responsável.
|
|
|
