机器学习流水线（10:54 - 15:16）
（10:54）机器学习流水线整体流程
机器学习完整流程：
收集数据
特征提取
模型训练
模型部署
推理（Inference）
（11:00）数据收集
深度学习通常需要大量数据。
常见数据格式：
| 数据类型 | 常见格式 |
|---|---|
| 音频 | WAV |
| 数值型传感器数据 | CSV |
| 内存数据 | 数组 Array |
（11:19）监督学习（Supervised Learning）
监督学习特点：
每个样本都有“标签”
标签用于指导模型学习
例如：
| 数据 | 标签 |
|---|---|
| 左右挥动加速度数据 | left_right |
| 上下挥动加速度数据 | up_down |
特征提取（11:28 - 12:32）
（11:28）什么是特征提取
原始数据通常不能直接给模型。
需要：
清洗数据
过滤噪声
提取有意义的信息
这个过程叫：
Feature Extraction（特征提取）
（11:39）常见特征
课程中提到：
| 特征 | 作用 |
|---|---|
| RMS均方根 | 表示整体能量 |
| 功率谱 | 查看频率信息 |
| FFT频谱 | 分析振动频率 |
（11:53）特征与标签必须对应
重点：
原始数据标签是什么，
提取后的特征标签也必须一致。
例如：
原始数据 -> label = "circle" 提取特征后： RMS特征 -> label 仍然是 "circle"模型训练（12:09 - 12:32）
（12:09）训练过程
模型训练本质：
不断调整内部参数。
训练流程：
输入特征 ↓ 模型预测 ↓ 计算误差 ↓ 反向传播 ↓ 更新参数 ↓ 重复很多次（12:20）为什么需要很多轮训练
通常需要：
几百轮
几千轮
原因：
模型需要不断修正自己的参数。
参数 vs 超参数（12:37 - 13:54）
这是机器学习里非常重要的概念。
参数（Parameter）
（12:46）什么是参数
参数：
模型内部自动学习得到的数值。
例如：
神经网络权重 Weight
偏置 Bias
这些值：
不需要手动设置。
训练时自动更新。
超参数（Hyperparameter）
（13:10）什么是超参数
超参数：
人为提前设定的配置项。
（13:24）常见超参数
| 超参数 | 作用 |
|---|---|
| 学习率 Learning Rate | 更新速度 |
| Epoch | 训练轮数 |
| Batch Size | 每批数据大小 |
| 模型大小 | 网络层数/节点数 |
| 特征提取方式 | RMS/FFT等 |
（13:34）记忆口诀
手动设置的，基本都是超参数。
模型部署与推理（13:56 - 15:16）
（13:56）模型部署
当模型效果满意后：
可以部署到：
单片机
开发板
嵌入式设备
（14:06）模型本质是什么
模型本质：
就是：
一堆数字 + 数学运算
这些数字：
就是训练得到的参数。
（14:27）把模型理解成函数
模型最简单理解：
输入特征 ↓ 模型函数 ↓ 输出预测结果推理（Inference）
（14:45）什么是推理
推理：
模型对新数据进行预测。
例如：
新加速度数据 ↓ 提取特征 ↓ 送入模型 ↓ 输出：circle（15:00）训练和推理必须一致
重点中的重点：
训练时怎么提特征，
部署时必须完全一样。
否则：
模型效果会崩。
数据流思想（15:16 - 15:39）
嵌入式AI通常是：
实时连续数据流。
例如：
传感器 ↓ 实时采样 ↓ 特征提取 ↓ 模型推理 ↓ 输出结果这就是：
TinyML实时推理
自动化与 ML Ops（15:41 - 17:28）
（15:41）数据采集可以自动化
Edge Impulse支持：
API自动上传数据
自动训练
自动化流水线
DevOps 与 ML Ops
（16:06）DevOps
DevOps：
开发 + 运维
目标：
快速稳定交付软件。
（16:41）ML Ops
ML Ops：
机器学习版 DevOps。
新增：
数据科学家
数据管理
模型更新
自动训练
自动部署
（17:00）嵌入式AI未来趋势
未来嵌入式AI：
可能需要：
OTA模型更新
云端重新训练
批量设备部署
其实这已经很接近：
AIoT（AI + IoT）
了。
前面课程总结（17:55 - 20:46）
（18:10）AI、机器学习、深度学习区别
关系：
AI └── Machine Learning └── Deep Learning（18:37）单板机 vs 单片机
| 类型 | 特点 |
|---|---|
| 单板机 SBC | 性能强，跑Linux |
| 单片机 MCU | 资源少，低功耗 |
TinyML主要偏向：
MCU（单片机）
（19:30）为什么需要特征提取
因为：
嵌入式设备算力有限。
不能像大模型一样：
直接吃原始数据。
所以：
必须人工提取有效特征。
（20:04）非常重要的工程经验
老师的经验：
先做出能运行的模型，
再慢慢优化。
这是非常真实的工程思想。
很多新手：
一开始就疯狂调参。
结果：
几个月都没结果。
神经网络入门（21:01 - 29:55）
什么是密集神经网络（21:37）
Dense Neural Network：
全连接神经网络
特点：
每层节点：
和下一层全部连接。
手写数字识别（22:00）
经典案例：
MNIST 手写数字识别。
例如：
识别：
0 1 2 3 4 5 6 7 8 9监督学习再次出现（22:34）
监督学习需要：
| 输入 x | 输出 y |
|---|---|
| 图片 | 数字标签 |
例如：
图片 -> 0 图片 -> 5感知器（Perceptron）（23:17）
神经网络最基础单元
类似人工神经元。
图片如何输入神经网络（24:05）
神经网络不能直接理解二维图片。
需要：
二维矩阵 → 一维数组。
例如：
28×28 图片：
28 × 28 = 784最终：
得到784维输入。
权重 Weight（24:36）
神经网络中的每个感知器都会对输入数据进行数学运算：
给每个输入乘一个权重。
数学形式：
其中：
| 符号 | 含义 |
|---|---|
| x | 输入 |
| w | 权重 |
| b | 偏置 |
激活函数（25:15）
作用：
引入非线性
否则：
神经网络就只是：
线性回归。
常见激活函数
| 激活函数 | 特点 |
|---|---|
| Sigmoid | 老版本常用 |
| Tanh | 输出范围-1~1 |
| ReLU | 现在最常用 |
神经网络结构（26:29）
三层结构：
输入层 ↓ 隐藏层 ↓ 输出层（27:40）输出层
手写数字识别：
输出层通常有10个节点。
分别代表：
0~9每个节点：
输出一个概率。
神经网络训练（28:07）
训练流程：
随机初始化参数 ↓ 输入数据 ↓ 前向传播 ↓ 得到预测 ↓ 计算损失 ↓ 反向传播 ↓ 更新参数 ↓ 重复前向传播（Forward Propagation）
（28:42）
前向传播：
数据从输入层一路算到输出层。
损失函数（Loss Function）
（29:03）
损失函数：
衡量：
模型错得有多严重
损失越小：
模型越准。
反向传播（Backpropagation）
（29:12）
反向传播核心思想：
“回头改答案”
模型发现：
预测错了。
于是：
沿着网络反方向：
一点点修改参数。
直到：
预测越来越准。
最核心总结（这一大段课程真正的重点）
机器学习本质：
数据 ↓ 特征 ↓ 模型 ↓ 损失 ↓ 反向传播 ↓ 更新参数 ↓ 越来越准而 TinyML 的核心难点：
不是“训练”。
而是：
