xxxfreesexmoves-haodiaocao这里只有精品视频-欧美性受黑人性爽-欧美性受xxxxxx黑人xyx性爽|www.jsyyzsb.com

本書采用基于配方的方法完成從數據收集、分析、建模、統計和監視以及部署的基本過程。本書提供來自智能家居，工業物聯網和智能設備的真實數據集來訓練和評估簡單到復雜的模型，并使用經過訓練的模型進行預測。本書還介紹了在實施機器學習和深度學習以及其他AI技術（例如自然語言處理、計算機視覺和用于構建智能IoT系統的強化學習）時面臨的主要挑戰。通過本書讀者可以學習如何打包和部署端到端AI應用程序，以及如何將實踐解決方案應用于常見的IoT問題。

探索各種人工智能技術，從零開始構建智能物聯網解決方案
使用機器學習和深度學習技術構建智能語音識別和面部檢測系統
使用算法深入了解物聯網數據并在項目中實施
對時間序列數據和其他類型的物聯網數據執行異常檢測
在小型設備上實施用于機器學習的嵌入式系統學習技術
將預訓練的機器學習模型應用于邊緣設備
使用TensorFlow.js和Java將機器學習模型部署到Web應用程序和移動設備

人工智能 (Artificial Intelligence，AI) 正在各種垂直行業中迅速找到實際應用，物聯網 (Internet of Things，IoT) 就是其中之一。開發人員正在尋找使IoT設備更智能并讓用戶生活更輕松的方法。本書介紹如何使用IoT數據實施智能分析，預測結果并做出明智的決策，內容涵蓋有助于在IoT應用程序中進行分析和學習的高級AI技術。

基于50 的實用案例，讀者可以充分了解數據采集、數據分析、建模、統計和監控以及部署等基本人工智能 IoT流程。利用來自智能家居、工業IoT和智能設備的真實數據集，訓練和評估簡單和復雜的模型，并使用經過訓練的模型進行預測。同時，書中還介紹了實施機器學習、深度學習和其他人工智能技術(如自然語言處理)時面臨的主要挑戰； 如何利用計算機視覺和嵌入式機器學習構建智能IoT系統； 如何輕松部署模型并提高其性能。

讀完本書，讀者將能夠打包和部署端到端AI應用程序，并將實踐解決方案應用于常見的IoT問題。

 讀者對象

本書面向IoT從業者、構建以IoT為重點的人工智能解決方案的數據科學家及人工智能開發人員。全書提供人工智能技術構建智能IoT解決方案，且無須閱讀大量人工智能理論。本書讀者需要了解Python編程語言和基本的物聯網概念，方能有效掌握書中涵蓋的概念。

 涵蓋內容

第1章重點介紹如何設置正確的環境。內容涵蓋如何選擇滿足AI需求的設備； 如何與設備或云端模塊進行安全通信； 如何設置在云中獲取數據的方法，設置Spark和AI工具執行數據分析、訓練模型并大規模運行機器學習模型。

第2章討論可以有效使用任何格式數據的基礎知識。

第3章討論使用邏輯回歸和決策樹等機器學習模型解決常見的IoT問題，例如對醫療診斷進行分類、
危險駕駛行為檢測
及對化學數據進行分類等。

第4章重點介紹使IoT設備成為智能設備的各種分類技術。

第5章解釋當警報檢測未能對特定問題進行分類時，如何發現相關問題以及如果設備以異常方式運行時的解決方案。

第6章討論如何在云端以及NVIDIA Jetson Nano等邊緣設備上實現計算機視覺。

第7章討論如何使用自然語言處理技術和機器人與在餐廳自助點餐亭訂購食物的用戶進行交互。

第8章討論如何將強化學習用于智能交通路口，實現交通信號燈決策，從而減少等待時間并讓交通更暢通。

第9章討論將預先訓練的機器學習模型應用于邊緣設備的各種方法，將詳細討論IoT Edge部署對AI Pipeline的重要性，還介紹如何使用TensorFlow.js和Java將模型部署到Web應用程序和移動設備。

 掌握技巧

為了充分掌握本書，讀者應對軟件開發有基本的了解，并對本書使用的Python、C及Java等語言具備基本的了解。

本書使用的硬件是現成的傳感器和常見的IoT開發套件，可以從Adafruit.com和 Amazon.com等網站購買。大多數代碼可以跨設備移植。用Python語言編寫的代碼可以輕松移植到各種微處理器，包括Raspberry Pi、NVIDIA Jetson、Lotte Panda甚至計算機。用C語言編寫的代碼可以移植到各種微控制器，包括ESP32、ESP8266和Arduino。用Java語言編寫的代碼可以移植到任何Android設備，包括平板電腦和手機。

本書使用Databricks進行實驗，免費版本可到其官網下載。

 資源分享

本書提供全部代碼資源，可掃描下方的二維碼下載。

 文本慣例

本書中使用了許多文本慣例。

代碼設置如下：

import numpy as np

import torch

from torch import nn

from torch import optim

import torch.nn.functional as F

from torchvision import datasets, transforms, models

from torch.utils.data.sampler import SubsetRandomSampler

命令行的輸入或輸出寫成如下樣式：

pip install deap

粗體字表示一個新的術語，一個重要的單詞，或屏幕上顯示的單詞。

Michael Roshak 云架構師和戰略家，研究重點是設計和部署面向云的解決方案和架構。在企業云轉型計劃和基礎設施現代化方面擁有深厚的專業知識。他負責為云應用提供戰略咨詢服務、咨詢技術銷售，并通過跨多個行業的高度戰略客戶推動廣泛的云服務。
高慧敏 博士，教授。嘉興學院圖書館副館長(兼學報編輯部主任)，浙江省嘉興光伏技術創新服務平臺主任，《系統仿真學報》編委會委員，長三角G60科創走廊專家咨詢委員會專家。主要從事復雜系統建模與仿真，生產優化與調度等領域的科研工作。

第1章搭建IoT和AI環境

1.1準備工作

1.1.1設備選型

1.1.2搭建Databricks

1.2搭建IoT Hub

1.2.1預備工作

1.2.2操作步驟

1.2.3工作機理

1.3設置IoT Edge設備

1.3.1預備工作

1.3.2操作步驟

1.3.3工作機理

1.4將ML模塊部署到邊緣設備端

1.4.1預備工作

1.4.2操作步驟

1.4.3工作機理

1.4.4補充說明

1.5搭建Kafka

1.5.1預備工作

1.5.2操作步驟

1.5.3工作機理

1.5.4補充說明

1.6在Databricks上安裝ML庫

1.6.1預備工作

1.6.2操作步驟

1.6.3工作機理

第2章數據處理

2.1使用Delta Lake存儲數據以便分析

2.1.1預備工作

2.1.2操作步驟

2.1.3工作機理

2.2數據采集設計

2.2.1預備工作

2.2.2操作步驟

2.3窗口化

2.3.1預備工作

2.3.2操作步驟

2.3.3工作機理

2.4探索性因子分析法

2.4.1預備工作

2.4.2操作步驟

2.4.3工作機理

2.4.4補充說明

2.5在Mongo/hot path storage中實現分析查詢

2.5.1預備工作

2.5.2操作步驟

2.5.3工作機理

2.6將IoT數據導入Spark

2.6.1預備工作

2.6.2操作步驟

2.6.3工作機理

第3章面向IoT的機器學習

3.1采用異常檢測分析化學傳感器

3.1.1預備工作

3.1.2操作步驟

3.1.3工作機理

3.1.4補充說明

3.2IoMT中的Logistic回歸

3.2.1預備工作

3.2.2操作步驟

3.2.3工作機理

3.2.4補充說明

3.3使用決策樹對化學傳感器進行分類

3.3.1操作步驟

3.3.2工作機理

3.3.3補充說明

3.4使用XGBoost進行簡單的預測性維護

3.4.1預備工作

3.4.2操作步驟

3.4.3工作機理

3.5危險駕駛行為檢測

3.5.1預備工作

3.5.2操作步驟

3.5.3工作機理

3.5.4補充說明

3.6在受限設備端進行人臉檢測

3.6.1預備工作

3.6.2操作步驟

3.6.3工作機理

第4章用于預測性維護的深度學習

4.1使用特征工程增強數據

4.1.1預備工作

4.1.2操作步驟

4.1.3工作機理

4.1.4補充說明

4.2使用Keras進行故障檢測

4.2.1預備工作

4.2.2操作步驟

4.2.3工作機理

4.2.4補充說明

4.3實施LSTM來預測設備故障

4.3.1預備工作

4.3.2操作步驟

4.3.3工作機理

4.4將模型部署到Web服務

4.4.1預備工作

4.4.2操作步驟

4.4.3工作機理

4.4.4補充說明

第5章異常檢測

5.1在Raspberry Pi和Sense HAT上使用ZSpikes

5.1.1預備工作

5.1.2操作步驟

5.1.3工作機理

5.2使用自編碼器檢測標記數據中的異常

5.2.1預備工作

5.2.2操作步驟

5.2.3工作機理

5.2.4補充說明

5.3對未標記數據集使用孤立森林算法

5.3.1預備工作

5.3.2操作步驟

5.3.3工作機理

5.3.4補充說明

5.4使用Luminol檢測時間序列異常

5.4.1預備工作

5.4.2操作步驟

5.4.3工作機理

5.4.4補充說明

5.5檢測受季節性影響的異常

5.5.1預備工作

5.5.2操作步驟

5.5.3工作機理

5.6使用流分析法檢測峰值

5.6.1預備工作

5.6.2操作步驟

5.6.3工作機理

5.7檢測邊緣設備的異常

5.7.1預備工作

5.7.2操作步驟

5.7.3工作機理

第6章計算機視覺

6.1通過OpenCV連接攝像頭

6.1.1預備工作

6.1.2操作步驟

6.1.3工作機理

6.1.4補充說明

6.2使用微軟自定義視覺來訓練和標記圖像

6.2.1預備工作

6.2.2操作步驟

6.2.3工作機理

6.3使用深度神經網絡和Caffe檢測人臉

6.3.1預備工作

6.3.2操作步驟

6.3.3工作機理

6.4在Raspberry Pi上使用YOLO檢測物體

6.4.1預備工作

6.4.2操作步驟

6.4.3工作機理

6.5在NVIDIA Jetson Nano上使用GPU檢測物體

6.5.1預備工作

6.5.2操作步驟

6.5.3工作機理

6.5.4補充說明

6.6在GPU上使用PyTorch訓練視覺

6.6.1預備工作

6.6.2操作步驟

6.6.3工作機理

6.6.4補充說明

第7章基于NLP和Bots的Kiosks

7.1喚醒詞檢測

7.1.1預備工作

7.1.2操作步驟

7.1.3工作機理

7.1.4補充說明

7.2使用Microsoft Speech API實現語音轉文字

7.2.1預備工作

7.2.2操作步驟

7.2.3工作機理

7.3LUIS入門

7.3.1預備工作

7.3.2操作步驟

7.3.3工作機理

7.3.4補充說明

7.4智能機器人實現

7.4.1預備工作

7.4.2操作步驟

7.4.3工作機理

7.4.4補充說明

7.5創建自定義聲音

7.5.1預備工作

7.5.2操作步驟

7.5.3工作機理

7.6利用QnA Maker增強機器人的功能

7.6.1預備工作

7.6.2操作步驟

7.6.3工作機理

7.6.4補充說明

第8章采用微控制器和pipeline進行優化

8.1基于ESP32的IoT簡介

8.1.1預備工作

8.1.2操作步驟

8.1.3工作機理

8.1.4補充說明

8.2ESP32環境監控器的實現

8.2.1預備工作

8.2.2操作步驟

8.2.3工作機理

8.2.4補充說明

8.3超參數優化

8.3.1預備工作

8.3.2操作步驟

8.3.3工作機理

8.4BOM變更的處理

8.4.1預備工作

8.4.2操作步驟

8.4.3工作機理

8.4.4補充說明

8.5使用Sklearn構建機器學習pipeline

8.5.1預備工作

8.5.2操作步驟

8.5.3工作機理

8.5.4補充說明

8.6使用Spark和Kafka進行流式機器學習

8.6.1預備工作

8.6.2操作步驟

8.6.3工作機理

8.6.4補充說明

8.7使用Kafka的KStreams和KTables豐富數據

8.7.1預備工作

8.7.2操作步驟

8.7.3工作機理

8.7.4補充說明

第9章部署到邊緣

9.1OTA更新MCU

9.1.1預備工作

9.1.2操作步驟

9.1.3工作機理

9.1.4補充說明

9.2采用IoT Edge部署模塊

9.2.1預備工作

9.2.2Raspberry Pi設置

9.2.3編碼設置

9.2.4操作步驟

9.2.5工作機理

9.2.6補充說明

9.3采用TensorFlow.js卸載到Web端

9.3.1預備工作

9.3.2操作步驟

9.3.3工作機理

9.3.4補充說明

9.4部署移動模型

9.4.1預備工作

9.4.2操作步驟

9.4.3工作機理

9.5采用孿生設備維護設備群

9.5.1預備工作

9.5.2操作步驟

9.5.3工作機理

9.5.4補充說明

9.6采用霧計算實現分布式機器學習

9.6.1預備工作

9.6.2操作步驟

9.6.3工作機理

9.6.4補充說明