Eingebettetes Machine Learning Vereinfacht Von Sensordaten zu Intelligenten Entscheidungen auf Ressourcenbeschränkter Hardware

Sloane Garrett

• Publisher: Chiify
• Year: 2026
• Topic: Computer Science
• eBook ISBN:
  9798259605916
• Subtopic: Programming in C++
• Index: Computer Science

Was, wenn dein Mikrocontroller — kleiner als ein Fingernagel und teurer als eine Tasse Kaffee — lernen könnte, Bewegungen zu erkennen, Anomalien zu filtern und Entscheidungen in Echtzeit zu treffen? Willkommen in der Werkstatt des eingebetteten Machine Learnings. Dieses Buch ist kein theoretischer Abriss über neuronale Netze in der Cloud. Es ist ein pragmatisches Handbuch für Entwickler, die wissen wollen, wie man echte Intelligenz auf Chips mit 256 KB Flash und wenigen Milliwatt Leistung zum Laufen bringt. Rohdaten von Sensoren in verwertbare Features umwandelt — ohne Python-Stack, ohne externe Server, lediglich effizienter C-Code Neuronale Netze Schicht für Schicht in C implementiert — keine Black-Box-Bibliotheken, sondern volle Transparenz bis auf Registerebene Modelle mit 8-Bit-Quantisierung um den Faktor 4 komprimierst — ohne die Genauigkeit zu opfern Die richtige Architektur für deinen Chip wählst — warum manche Netze auf ARM Cortex-M4 besser laufen als auf ESP32 Ein komplettes Gestenerkennungssystem aufbaust — lokal, offline, in Echtzeit Wenn du schon Mikrocontroller programmiert hast, aber bei Machine Learning an der Grenze klassischer Programmierung stößt, ist dieses Buch deine Brücke. Kein Data-Science-Diplom nötig. Keine magischen Abstraktionen. Nur du, dein Code und ein Stück Silizium, das lernen wird. Hol dir das Werkstattbuch, das die Lücke zwischen Hardware und KI schließt. Bau dein erstes intelligentes Sensorboard — heute noch.

Table of contents

• Eingebettetes Machine Learning Vereinfacht
• Eingebettetes Machine Learning Vereinfacht
• Kapitel 2 — Grundlagen der Datenaufbereitung für Embedded Systeme
• Kapitel 3 — Einfache Klassifikation: Der Perzeptron-Algorithmus
• Kapitel 4 — Logistische Regression für Wahrscheinlichkeiten
• Kapitel 5 — Entscheidungsbäume und Random Forests auf dem Microcontroller
• Kapitel 6 — K-Nearest Neighbors: Speicherhungriger Klassifikator
• Kapitel 7 — Support Vector Machines: Maximale Margen, minimale Modelle
• Kapitel 8 — Neuronale Netze auf Mikrocontrollern: TinyML mit Keras und TensorFlow Lite
• Kapitel 9 — Zeitreihen und Faltungsnetze: Daten mit Gedächtnis
• Kapitel 10 — Rekurrente Netze und LSTMs: Lernen von Sequenzen
• Kapitel 11 — Modellkompression: Quantisierung, Pruning und Destillation
• Kapitel 12 — Inferenz-Beschleunigung: Optimierung für Arm Cortex-M und RISC-V
• Kapitel 13 — Energieeffizienz: Schlafen, Rechnen, Aufwachen
• Kapitel 14 — Sicherheit und Robustheit: Angriffe und Verteidigung
• Über den Autor
• Anhang: A: Glossar der wichtigsten Begriffe
• Anhang A: Glossar der wichtigsten Begriffe
• Anhang: B: Referenztabelle: Mikrocontroller und ihre ML-Fähigkeiten
• Anhang B: Referenztabelle: Mikrocontroller und ihre ML-Fähigkeiten