• Prof. Dr. Ing. Diethelm Bienhaus

• Prof. Dr. Ing. Diethelm Bienhaus

Keine

II1003 Digitale Signalverarbeitung

II1005 Einführung in eingebettete Systeme

Die Studierenden sollen die Komponenten für intelligente eingebettete Systeme und ihre Eigenschaften kennenlernen und mit dem erworbenen Wissen einfache Anwendungsfälle für TinyML selbstständig umsetzen können.

• Anwendungen für TinyML
• Einführung in IoT Devices
• Sensoren für Wearables und IoT
• Erfassung und Vorbereitung von Sensordaten
• Cloud vs. Edge Computing
• Einführung Maschinelles Lernen
• Limitierungen eingebetteter Systeme
• KI auf eingebetteten Systemen

Fachkompetenzen

• Die Studierenden können gebräuchliche Sensoren für IoT benennen, ihre Funktionsweise beschreiben und eine Verbindung zu unterschiedlichen Typen von Sensoren herstellen, um ihre Daten auszulesen und zu visualisieren.
• Sie wissen, aus welchen Blöcken eine Standardsignalverarbeitungskette für TinyML besteht und können die grundlegenden Funktionsprinzipien dieser Blöcke erklären. Weiterhin können sie eine vollständige Signalverarbeitungskette mit Python und TensorFlow für unterschiedliche Sensoren programmatisch umsetzen.
• Die Studierenden können die Limitierungen von eingebetteten Systemen in Bezug auf ML-Signalverarbeitungsketten erklären und ihr Wissen anwenden, um ML-Modelle mit TensorFlow Lite zu konvertieren und auf einen Arduino Nano 33 BLE Sense für Always-On ML zu portieren.

Methodenkompetenzen (fachlich & methodisch)

• Die Studierenden können in einem vorgegebenen Zeitrahmen Ergebnisse erarbeiten und diese präsentieren.
• Sie können das erlernte Fachwissen anwenden, um Problemstellungen zu identifizieren und Lösungsvorschläge zu erarbeiten.
• Die Studierenden können mit Ambiguität umgehen und pragmatische, lösungsorientierte Entscheidungen treffen.
• Sie erweitern ihre Flexibilität auf sich verändernde Anforderungen angemessen und zeitnah zu reagieren und lernen, dass Unvollkommenheit Teil des normalen Entwicklungsprozesses ist.

Sozialkompetenzen

• Durch die Durchführung eines gemeinsamen Projekts können sie ihre Teamfähigkeit entwickeln und ggf. Konfliktlösungsstrategien erproben.
• Sie können sich in der Gruppe kooperativ verhalten.

Selbstkompetenzen

• Sie können die eigene Arbeit verantwortungsvoll organisieren und selbständig durchführen, so dass die Ergebnisse plan- und anforderungsgemäß vorliegen.

• 6 CrP
• Arbeitsaufwand 180 Std.
• Präsenzzeit 60 Std.
• Selbststudium 120 Std.

• 4 SWS
• Seminaristischer Unterricht 2 SWS
• Praktikum 2 SWS

• Informatik (B.Sc. 2010)
• Ingenieur-Informatik (B.Sc. 2010)

Nein

Bonuspunkte werden gemäß § 9 (4) der Allgemeinen Bestimmungen vergeben. Art und Weise der Zusatzleistungen wird den Studierenden zu Veranstaltungsbeginn rechtzeitig und in geeigneter Art und Weise mitgeteilt.

Prüfungsvorleistung: Regelmäßige Teilnahme am Praktikum (mindestens 80% der Zeit)

Prüfungsleistung: Projektarbeit und mündliche Prüfung (zusammen 100%)

• Warden, P., Situnayake, D.: TinyML: Machine Learning with TensorFlow on Arduino, and Ultra-Low Power Micro-Controllers. O’Reilly Verlag.
• Arduino: Getting started with the Arduino NANO 33 BLE Sense. https://www.arduino.cc/en/Guide/NANO33BLESense (26.03.2021)
• HarvardX: Professional Certificate in Tiny Machine Learning (TinyML). https://www.edx.org/professional-certificate/harvardx-tiny-machine-learning (26.03.2021)

Weitere Literatur wird in der Veranstaltung bekannt gegeben.