Aperçu du cours
Doel van de opleiding: Deze training is bedoeld voor data-analisten, IoT-specialisten, cloud-engineers en IT-architecten die willen leren hoe data-analyse direct op IoT-apparaten en edge computing-platformen kan worden uitgevoerd zonder afhankelijkheid van centrale verwerking. De focus ligt op het verzamelen, verwerken en analyseren van IoT-gegevens aan de rand van het netwerk om latentie te minimaliseren en real-time inzichten te genereren.
Prérequis
- Basiskennis van data-analyse en cloud computing.
- Ervaring met IoT-platformen of netwerkbeheer is nuttig, maar niet verplicht.
- Basiskennis van Python of SQL is een pluspunt voor hands-on labs.
Objectifs pédagogiques
- Edge computing en IoT-data-analyseconcepten begrijpen en implementeren.
- IoT-apparaten configureren voor gedistribueerde gegevensverwerking.
- Machine learning en AI integreren in edge-apparaten voor real-time beslissingen.
- Data-integratie tussen edge computing en cloudoplossingen opzetten.
- Beveiliging, governance en best practices toepassen voor edge analytics.
Public ciblé
- IoT-ontwikkelaars en data-engineers die edge computing willen optimaliseren.
- IT-architecten en cloud-engineers die IoT-infrastructuren willen integreren met analytics.
- Data-analisten en AI-specialisten die real-time inzichten uit edge-apparaten willen halen.
Programme de formation
-
Dag 1: Introductie tot Edge Analytics en IoT-gegevensverwerking (7 uur)
-
Wat is Edge Analytics en waarom is het belangrijk? (2 uur) Verschil tussen cloud analytics en edge analytics. Use cases: smart cities, predictive maintenance, connected healthcare. Praktijk: Identificeren van toepassingen van edge analytics in verschillende sectoren.
-
Architectuur van Edge Computing en IoT (3 uur) Componenten van een edge-infrastructuur: sensoren, gateways, edge nodes. Communicatieprotocollen: MQTT, OPC-UA, CoAP, LoRaWAN. Praktijk: Opzetten van een eenvoudige IoT-data pipeline met MQTT en edge processing.
-
Data-acquisitie en voorbewerking op Edge Devices (2 uur) Verzamelen en opschonen van ruwe sensor- en apparaatdata. Datareductie en filteringstechnieken voor bandbreedte-optimalisatie. Praktijk: Configureren van een edge-apparaat om IoT-gegevens te verzamelen en verwerken.
-
-
Dag 2: Edge Analytics, Machine Learning en AI in IoT (7 uur)
-
Geavanceerde Data-analyse op Edge Devices (3 uur) Streaming data verwerken met Apache NiFi, Azure IoT Edge, AWS Greengrass. Real-time anomaly detection met edge AI-modellen. Praktijk: Implementeren van een eenvoudige streaming analyse met Apache NiFi.
-
Machine Learning en AI op Edge Devices (2 uur) TinyML en geoptimaliseerde AI-modellen voor edge computing. Trainen en deployen van ML-modellen met TensorFlow Lite en Edge Impulse. Praktijk: Een edge-gebaseerd AI-model laden en testen op een IoT-device.
-
Data-integratie tussen Edge en Cloud-platformen (2 uur) Hybride architecturen: IoT-data synchroniseren tussen edge en cloud. Werken met AWS IoT Core, Azure IoT Hub en Google Cloud IoT. Praktijk: Opzetten van een real-time data pipeline tussen een edge device en de cloud.
-
-
Dag 3: Beveiliging, Optimalisatie en Toepassingen van Edge Analytics (7 uur)
-
Beveiliging en Privacy in Edge Analytics (3 uur) IoT security best practices: end-to-end encryptie, toegangsbeheer, netwerksegmentatie. GDPR en compliance-uitdagingen bij edge computing. Praktijk: Configureren van toegangscontrole en beveiligingsregels op een IoT-netwerk.
-
Optimalisatie en Performance-tuning van Edge Analytics (2 uur) Optimaliseren van rekenkracht en energieverbruik op edge devices. Latency management en efficiënte event-driven processing. Praktijk: Afstellen van een edge-apparaat voor energie-efficiënte dataverwerking.
-
Case Study en Afsluiting (2 uur) Werken met real-world datasets uit smart cities, industrie of healthcare. Praktijk: Deelnemers ontwerpen en presenteren een edge analytics-oplossing voor een businesscase.
-
Instructeur
