【Udemy中英字幕】On-Device ML for Mobile Apps: From Training to Deployment

移动应用的设备机器学习：从训练到部署

使用 Tensorflow Lite 训练 ML 模型并在移动应用中部署的实践课程 – 构建设备上的移动应用

讲师：Mobile ML Academy by Hamza Asif

双语IT资源独家Udemy付费课程，独家中英文字幕，配套资料齐全！

用不到1/10的价格，即可享受同样的高品质课程，且可以完全拥有，随时随地都可以任意观看和分享。

您将学到什么

• 训练机器学习和深度学习模型，优化并在移动应用程序中使用它们来构建基于设备的 ML 支持的应用程序
• 使用 Flutter（Android 和 IOS）、Native Android（Kotlin）和 Native IOS（Swift）等框架将训练好的模型集成到移动应用程序中
• 训练图像分类模型并针对移动部署进行优化。
• 收集和注释数据，训练对象检测模型，并将其转换为 TensorFlow Lite。
• 构建和训练线性回归模型，并使用 TensorFlow Lite 为移动应用做好准备。
• 了解机器学习的基础知识、类型以及它在现实场景中的应用。
• 获得深度学习的基础知识以及人工神经网络的工作原理。
• 构建利用 ML 模型的功能性应用程序，例如预测应用程序、图像分类器以及具有图像和视频处理功能的对象检测器。
• 学习关键的 Python 语法和数据科学库，包括 NumPy、Pandas 和 Matplotlib。
• 掌握 TensorFlow 用于模型训练以及 TensorFlow Lite 用于移动端模型优化和部署。
• 训练更高级的模型，如燃油效率和房价预测，然后将它们转换为 TensorFlow Lite。

探索相关主题

• 机器学习
• 数据科学
• 发展

要求

• 不需要机器学习、深度学习或应用程序开发方面的经验，但愿意学习这些主题将会有益。

描述

通过一门综合课程释放机器学习 (ML) 和移动应用开发的潜力！本课程专为初学者和经验丰富的开发人员设计，将带您从基础的 ML 概念到在Android、Flutter和iOS上构建和部署智能移动应用程序。

您将学到的内容：

• 机器学习和深度学习基础知识：从机器学习的基础知识开始，了解其类型、应用和对现代技术的影响。然后，深入研究深度学习和人工神经网络，了解它们如何模仿人类大脑进行预测。

• Python 编程和基本数据科学库：熟悉 Python，这是数据科学、机器学习和深度学习的首选语言。您将获得强大的库的实践经验，例如用于数据处理的 NumPy、用于数据分析的 Pandas 和用于数据可视化的 Matplotlib，它们构成了数据科学工具包的支柱。

• 用于模型训练的 TensorFlow 和 TensorFlow Lite：了解 TensorFlow 的基础知识，TensorFlow 是用于训练强大机器学习模型的行业标准框架。您还将发现 TensorFlow Lite，它使您能够优化模型并将其部署到移动设备，从而使 ML 无缝且高效地集成到应用程序中。

模型训练和转换为 TensorFlow Lite：

• 线性回归和预测模型：从简单的线性回归模型开始，掌握模型训练和评估的基础知识。然后，继续进行预测燃油效率和房价等实际项目，并将这些模型转换为 TensorFlow Lite 以便轻松进行移动部署。

• 图像分类：使用两种方法学习图像分类。首先，使用 Python 训练神经网络，然后探索 Google 的免费拖放工具 Teachable Machine，实现无代码方法。训练完成后，您将把这些模型转换为 TensorFlow Lite，使其适用于移动设备。

• 使用迁移学习进行对象检测：通过学习对象检测进一步提高您的技能。收集和注释数据，并使用迁移学习训练对象检测模型，以获得更快、更准确的结果。训练完成后，将模型转换为 TensorFlow Lite 以进行移动部署。

使用 ML 模型进行移动应用程序开发：

模型准备就绪后，即可进入激动人心的移动应用开发世界！您将学习如何将这些机器学习模型集成到三个流行平台上的移动应用程序中：

1. Flutter (Dart)：首先使用线性回归模型构建应用程序，用于预测简单值、燃油效率和房价。然后，使用 Flutter 中的图像分类模型对图像和视频进行分类。最后，集成对象检测模型，以识别 Flutter 应用中图像和视频中的对象。

2. 原生 Android (Kotlin)：在 Android 上重复此过程，使用 Kotlin 构建集成回归、分类和对象检测模型的应用。您将获得使用 Android 的 ML 和相机 API 的经验，确保您的应用可以处理图像和实时视频片段。

3. iOS（Swift）：最后，您将使用 Swift 将线性回归模型集成到 iOS 应用程序中，让用户可以轻松地直接在 iOS 设备上进行预测。

为什么要参加这门课程？

在本课程结束时，您将掌握完整的 ML 工作流程 – 从使用 Python 训练模型到将其部署到移动应用中。无论您是想将 AI 集成到应用中的开发人员，还是想将技能扩展到移动领域的数据科学家，本课程都是为您量身定制的。

你将构建什么：

• 用于价格和效率预测的线性回归应用程序

• 包含图像和视频的图像分类应用程序

• 具有实时检测功能的对象检测应用程序

迈出这一步，提升您在机器学习和移动开发方面的技能。立即报名，让我们一起开始构建智能移动应用！

本课程适合哪些人：

• 任何想要创建利用 ML 模型用于实际用例的智能移动应用程序的人。
• 任何刚接触机器学习并希望获得具有实际应用的实践性、适合初学者的课程的人。
• 具有一些数据科学背景并希望扩展其技能以部署移动 ML 模型的个人。
• 希望在其应用中添加机器学习功能的 Android、iOS 和 Flutter 开发人员。
• 有兴趣学习如何将机器学习模型集成到移动应用程序中的开发人员。
• 希望为客户提供机器学习应用程序开发服务的专业人士