The combination of machine learning on embedded systems has quickly increased throughout the years. Subsets like TinyML have become an integral part of how embedded systems implement machine learning. The field has evolved quickly, and TinyOL is an emerging subset that redefines what is possible with embedded systems. This report presents a comparison of how a neural network that implements incremental online learning learns and adapts how to do simple tasks in home automation. The comparison is done with another system, mainly a proportional-integral-derivative (PID). The systems were tasked with controlling an LED lightning threshold based on feedback from the user. The systems were evaluated based on their mean absolute error (MAE) and accuracy in predicting the output of the LED lighting system. The MAE values of both systems were compared for different target outputs and threshold values, and the accuracy was calculated by comparing the number of successful iterations to the total number of iterations. The results show that the neural network has an accuracy of 50\% when a learning rate of 0.2 is used, 97.5\% when a learning rate of 0.5 is used, and 47.5\% when a learning rate of 1.0 is used. The PID control system had accuracy values of 45\% when using an adaption rate of 0.2, 47.5\% when using an adaption rate of 0.5, and 90\% when using an adaption rate of 1.0. The neural network also showcased a lower median MAE for every test conducted. The study provides insights into the effectiveness of different control systems and can inform the development of similar systems in the future.

Kombinationen av maskininlärning på inbygga system har snabbt ökat under åren. Tekniker som TinyML har snabbt blivit en integrerad del av hur inbyggda system implementerar maskininlärning. Teknikerna har snabbt utvecklats och TinyOL är en framväxande delmängd av TinyML som omdefinierar vad som är möjligt med inbyggda system. Denna rapport presenterar en jämförelse av hur ett neuralt nätverk som implementerar inkrementell online-inlärning lär och anpassar sig för att utföra enklare uppgifter inom hemautomation. Jämförelsen görs med ett annat system, huvudsakligen en proportional-integral-derivative (PID). Systemen fick i uppgift att kontrollera en LED-lampa baserat på användarens feedback. Systemet utvärderas baserat på deras mean absolute error (MAE) och noggrannhet i att förutsäga börvärdet för LED-belysningen. MAE-värderna för båda systemen jämfördes för de olika målen och börvärdena, och noggrannheten beräknades genom att jämföra antalet lyckade iterationer med det totala antalet iterationer. Resultaten visar att neurala nätverket har en  noggrannhet på  50\% när en learning rate på 0.2 användes, 97.5\% när en learning rate på 0.5 användes och 47.5\% när en learning rate på 1.0 användes. PID kontroll system hade en noggranhet på 45\% när en adaption rate på 0.2 användes, 47.5\% när en adaption rate på 0.5 användes och 90\% när en adaption rate på 1.0 användes. Det neurala nätverket visade också ett lägre MAE-värde på alla de testerna som utfördes. Studien ger insikter i effektiviteten hos olika kontrollsystem och kan hjälpa utvecklingen av liknande system i framtiden.