本課程以 Raspberry Pi Pico 為核心平台，結合 C/C++ 編程與 TensorFlow Lite Micro 框架，帶領學員從認識微控制器、環境建置、周邊感測器應用，到 AI 模型的訓練與部署。學員將透過兩個實作專案：「正弦波預測」與「手勢辨識魔杖」，完整體驗從模型訓練、量化、到燒錄 MCU 的 TinyML 流程。課程最終將協助學員具備將 AI 部署於嵌入式裝置的實戰能力，並對邊緣運算技術有清晰理解。
Keyword：Raspberry Pi Pico, Pico, TensorFlow Lite Micro, 感測器, Pico, Edge AI, MCU
✔ 從零開始，掌握TinyML關鍵開發流程
課程涵蓋資料收集、模型訓練、量化轉換、C/C++整合到MCU燒錄，讓你一步步建構從0到1的AI邊緣部署實力。
✔ 軟硬整合實作，玩轉Raspberry Pi Pico平台
深入解析Raspberry Pi Pico硬體架構，結合加速度計等感測裝置，完整體驗軟硬整合的AI邊緣應用。
✔ 雙實作專案，強化實戰技能
透過「正弦波預測」與「手勢辨識魔杖」兩大專題，深入體驗AI模型訓練與部署過程，強化實務操作與問題解決能力。
-
了解邊緣運算（Edge AI）的核心概念與應用場景。
-
能掌握一個完整 TinyML 專案的端到端流程：AI 模型訓練 ➝ 模型轉換 ➝ MCU 部署。
-
會建置 Raspberry Pi Pico 的 C/C++ 開發與編譯環境。
-
能使用 TensorFlow Lite Micro 進行模型量化與部署。
-
能撰寫嵌入式 C/C++ 程式，在 Pico 上呼叫 TFLite 模型庫以執行即時 AI 推論。
※ 課程完訓後將提供結業證書作為研習證明
- 投影片講授及配合課程內容提供範例程式進行演練
- 專案實作內容視需要另補充資料
- 硬體實作教學，須搭配Raspberry Pi Pico、Pico擴充板
- 課程總時數 : 16小時
- 課程所附教材：範例程式碼、紙本講義、Raspberry Pi Pico與Pico擴充板
-
認識 Edge AI 與嵌入式機器學習的核心概念與應用情境
-
Raspberry Pi Pico硬體架構與Raspberry Pi Pico擴充板介紹
-
Pi Pico C/C++開發環境建置
-
實作：控制 GPIO 實現 LED 閃爍程式
-
使用 TensorFlow/Keras 建立簡單的迴歸模型（模擬正弦波）
-
模型轉換為 TensorFlow Lite 格式，並進行量化優化
-
學習將 .tflite 模型轉為 C 語言陣列並整合進嵌入式專案
-
實作：在 Raspberry Pi Pico 上部署 TFLite 模型並觀察預測輸出
-
專案解析：使用三軸加速度計進行手勢資料收集
-
數據處理流程：原始資料擷取、格式轉換、資料增強與序列填補
-
模型架構設計：為時間序列數據建立 CNN 模型進行分類
-
實作：訓練並評估模型的準確率與混淆矩陣
-
程式碼解析：主迴圈流程、感測器資料擷取、TFLite 推論與結果處理
-
模型部署：將訓練完成的 CNN 模型轉換並燒錄至 Pico
-
實作1：透過序列埠終端機即時觀察手勢辨識結果
-
實作2：錄製自訂手勢、重新訓練模型並完成部署
Joseph老師
▪ 台灣大學電機工程系博士研究 ▪ 上市網通科技公司/資深軟體工程師
▪ 嵌入式Linux系統 ▪ ARM Boot Loader ▪ 資料結構及演算法 ▪ AI人工智慧
▪ MCU 韌體設計 ▪ Linux 驅動程式 ▪ Linux系統程式 ▪ 物聯網開發 ▪ 無線通訊協定
學習TensorFlow Lite Micro能讓你在資源有限的裝置上實現人工智慧！它能讓你將經過量化優化的機器學習模型直接部署到記憶體與運算資源極度受限的微控制器，不需連網就能執行AI推論，提升反應速度、保護隱私，並有效降低功耗。掌握這項技術，能讓你搭上Edge AI的浪潮，創造更多創新應用！
