1、课程导入：TinyML概述、数据集在TinyML项目中的核心地位、课程学习目标与整体框架

TinyML（微型机器学习）是机器学习与嵌入式物联网系统深度融合的前沿领域，其核心目标是在功耗受限、计算资源有限、存储空间狭小的微控制器（MCU）上部署和运行机器学习模型。与云端AI依赖大规模GPU集群不同，TinyML强调在设备端完成数据采集、特征提取、推理甚至增量学习，从而实现毫瓦级功耗下的实时智能响应。这一技术范式的转变，使得智能能力从数据中心下沉到物理世界的每一个角落——从工业振动传感器到可穿戴医疗贴片，从智能家居语音唤醒到农业土壤监测。

然而，TinyML项目的成败往往不取决于模型架构的先进程度，而取决于最容易被忽视的底层环节——数据集建设。一个在实验室中表现优异的模型，部署到真实物理环境后性能急剧下降，绝大多数情况下并非算法缺陷，而是训练数据与目标应用场景之间存在分布偏移。本章作为整个课程体系的基石，将系统阐述TinyML数据集建设的核心方法论，明确学习路径，为后续章节的深入展开奠定认知框架。

1.1 TinyML数据集的核心地位与特殊性

在传统云端机器学习项目中，数据集建设固然重要，但TinyML场景下的数据集问题具有截然不同的维度和复杂度。首先，数据规模极度受限——MCU的Flash通常以MB甚至KB为单位，RAM更是仅有几十到几百KB，这意味着模型输入特征维度必须精简，训练数据虽然可以在云端完成，但部署后的推理输入必须与训练时的特征分布严格一致。其次，数据采集环境高度碎片化——同一型号的传感器在不同温湿度、不同安装角度、不同供电电压下，输出信号特性可能发生显著漂移，这种物理层面的变异是TinyML数据集必须显式覆盖的。

更关键的是，TinyML模型往往部署在无人值守的恶劣环境中，数据分布偏移（Data Drift）是常态而非例外。例如，一个部署在户外变电站的音频异常检测模型，白天与夜晚的环境噪声基底完全不同；一个用于工业电机振动监测的模型，设备负载从10%变化到100%时，振动频谱特征会发生根本性改变。如果数据集建设阶段没有系统性地捕获这些变化维度，模型部署后很快就会失效。

1.2 数据集在TinyML项目中的核心地位

为了更直观地理解数据集在TinyML项目中的位置，我们可以从项目全流程视角审视其关键作用。一个典型的TinyML项目包含以下环节：场景定义→数据采集→模型设计→训练优化→模型压缩→部署验证→持续运维。其中，数据采集环节直接决定了模型性能的上限——即使采用最先进的模型架构和优化技术，如果训练数据无法真实反映部署环境，最终模型的实际表现也会大打折扣。

以模型量化为具体案例：TinyML模型通常需要将浮点权重量化为8位甚至4位整数以适配MCU的算力。量化过程中，校准数据集（Calibration Dataset）用于统计每一层激活值的动态范围。如果校准数据仅包含"安静环境"下的音频样本，那么当部署现场出现突发噪声时，激活值可能超出量化范围，导致推理结果完全错误。这种问题在模型层面几乎无法修复，只能通过重新采集数据、重新量化来解决。

1.3 课程学习目标与整体框架

本课程共30章，围绕TinyML数据集建设的完整生命周期展开，从应用场景分析出发，逐步深入到采集计划制定、数据工程实施、质量验证与迭代优化。课程设计遵循"场景驱动、工程落地"的原则，每一章都包含核心原理、操作流程、案例拆解和常见误区四个模块，确保学员既能理解方法论，又能直接应用于实际项目。

课程整体划分为五个进阶阶段：

1. 基础认知阶段（第1-4章）：建立TinyML数据集的整体认知，理解数据采集与模型性能的关系，掌握数据维度分析方法。
2. 采集规划阶段（第5-12章）：深入传感器选型、采样策略设计、多工况覆盖方案、标注体系构建等核心环节。
3. 数据工程阶段（第13-20章）：聚焦数据清洗、增强、平衡、特征工程、版本管理等数据治理技术。
4. 验证与部署阶段（第21-26章）：讲解数据分布校验、模型量化校准、硬件在环测试、边缘案例挖掘等验证方法。
5. 持续迭代阶段（第27-30章）：探讨增量学习、数据回传机制、模型漂移监测与自动更新策略。

1.4 常见误区与课程学习路径

在TinyML数据集建设实践中，初学者容易陷入几个典型误区，这些误区往往导致项目后期返工甚至失败。

针对这些误区，本课程在后续章节中会提供系统性的解决方案。第5章将详细讲解如何设计多维度数据采集计划；第9章介绍标注规范制定与一致性验证方法；第17章讨论数据增强技术如何应对小样本问题；第24章则聚焦于数据漂移的检测与应对策略。

为了帮助学员建立全局视野，下表总结了课程各阶段的核心能力目标与对应章节范围：