VIP8
本课程属于：079-工业时序数据与异常检测 智能机器人、自动化与智能装备工程 · 共 8 门相关课程，组合学习更完整。
查看所属VIP全部课程 →
← 返回所属目录 咨询 / 购买

TinyML多变量时序异常检测项目课程

共计 30 章节
点击此处阅读海量试读课程：100+行业、1000+细分领域
01
课程导入
TinyML与多变量时序异常检测的定… · 应用场景 · 课程目标与学习路径
课程导入TinyML
02
时序数据基础
时间序列的概念 · 成分（趋势 · 季节
时序数据基础时间序列的概念
03
异常检测基础
异常类型（点异常 · 上下文异常 · 集合异常）
异常检测基础异常类型
04
TinyML入门
TinyML的定义 · 边缘设备约束（内存 · 算力
TinyML的定义
05
多变量时序数据预处理
数据清洗 · 缺失值处理 · 归一化/标准化
多变量时序数据预…数据清洗
06
特征提取方法
统计特征（均值 · 方差 · 自相关）
特征提取方法统计特征
07
经典异常检测算法
基于统计的方法（Z-score · Grubbs检验） · 基于距离的方法（KNN
经典异常检测算法Z-score
08
机器学习方法
孤立森林 · One-Class SVM · 随机森林等在多变量时序异常检测中的原…
机器学习方法孤立森林
09
深度学习方法
自编码器（Autoencoder） · LSTM · Transformer在时序异常检测…
深度学习方法Autoencoder
10
多变量时序异常检测的挑战
维度灾难 · 变量间相关性 · 非平稳性
多变量时序异常检…维度灾难
11
TinyML模型压缩技术
量化（Quantization） · 剪枝（Pruning） · 知识蒸馏（Distillation）…
TinyML模型压缩技术
12
TinyML模型部署流程
模型转换（TFLite · ONNX） · 优化
TinyML模型部署流程
13
项目实战
基于自编码器的多变量时序异常检测在T… · 模型训练 · 压缩
项目实战基于自编码器的多…
14
项目实战
基于孤立森林的多变量时序异常检测在边…
项目实战基于孤立森林的多…
15
项目实战
基于LSTM的多变量时序异常检测在T…
项目实战LSTM
16
案例研究
工业设备多传感器异常检测（如振动 · 温度 · 压力）的TinyML解决方案
案例研究工业设备多传感器…
17
案例研究
智能家居多变量时序异常检测（如能耗 · 环境传感器）的TinyML应用
案例研究智能家居多变量时…
18
案例研究
可穿戴设备健康监测（如心率 · 加速度）的多变量异常检测与TinyM…
案例研究可穿戴设备健康监…
19
数据采集与标注
传感器数据采集 · 数据同步 · 异常标注策略与数据增强
数据采集标注
20
模型评估与验证
离线评估 · 在线评估 · A/B测试
模型评估验证
21
实时性与资源优化
延迟优化 · 内存管理 · 功耗控制
实时性资源优化
22
常见问题与调试
模型过拟合 · 欠拟合 · 数据不平衡
常见问题调试
23
TinyML工具链
TensorFlow Lite Mi… · Edge Impulse · ArduinoML等工具的使用与比较
TinyML工具链
24
多变量时序异常检测的先进方法
图神经网络 · 注意力机制 · 联邦学习在TinyML上的潜力与限制
多变量时序异常检…图神经网络
25
安全与隐私
边缘设备上的数据隐私 · 模型安全 · 对抗攻击与防御
安全隐私
26
综合项目设计
从需求分析 · 数据采集 · 模型开发
综合项目设计从需求分析
27
项目展示与评审
学生展示项目成果 · 分享经验 · 接受反馈
项目展示评审
28
课程总结与进阶路径
回顾核心知识点 · 常见误区 · 推荐学习资源与未来研究方向
课程总结进阶路径
29
实战演练
使用公开数据集（如SWaT · WADI）进行多变量时序异常检测的T…
实战演练SWaT
30
综合提升
结合边缘AI与云协同 · 设计一个多变量时序异常检测系统 · 并考虑可扩展性与维护性
综合提升AI