人工智能與物聯(lián)網(wǎng)

第1章搭建IoT和AI環(huán)境

1.1準(zhǔn)備工作

1.1.1設(shè)備選型

1.1.2搭建Databricks

1.2搭建IoT Hub

1.2.1預(yù)備工作

1.2.2操作步驟

1.2.3工作機理

1.3設(shè)置IoT Edge設(shè)備

1.3.1預(yù)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(shè)備端

1.4.1預(yù)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(yù)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(yù)備工作

1.6.2操作步驟

1.6.3工作機理

第2章數(shù)據(jù)處理

2.1使用Delta Lake存儲數(shù)據(jù)以便分析

2.1.1預(yù)備工作

2.1.2操作步驟

2.1.3工作機理

2.2數(shù)據(jù)采集設(shè)計

2.2.1預(yù)備工作

2.2.2操作步驟

2.3窗口化

2.3.1預(yù)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(yù)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(xiàn)分析查詢

2.5.1預(yù)備工作

2.5.2操作步驟

2.5.3工作機理

2.6將IoT數(shù)據(jù)導(dǎo)入Spark

2.6.1預(yù)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(xué)習(xí)

3.1采用異常檢測分析化學(xué)傳感器

3.1.1預(yù)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(yù)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(xué)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(yù)測性維護

3.4.1預(yù)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(yù)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(shè)備端進行人臉檢測

3.6.1預(yù)備工作

3.6.2操作步驟

3.6.3工作機理

第4章用于預(yù)測性維護的深度學(xué)習(xí)

4.1使用特征工程增強數(shù)據(jù)

4.1.1預(yù)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(yù)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(yù)測設(shè)備故障

4.3.1預(yù)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(wù)

4.4.1預(yù)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(yù)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(biāo)記數(shù)據(jù)中的異常

5.2.1預(yù)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(biāo)記數(shù)據(jù)集使用孤立森林算法

5.3.1預(yù)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(yù)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(jié)性影響的異常

5.5.1預(yù)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(yù)備工作

5.6.2操作步驟

5.6.3工作機理

5.7檢測邊緣設(shè)備的異常

5.7.1預(yù)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(yù)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(xùn)練和標(biāo)記圖像

6.2.1預(yù)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(jīng)網(wǎng)絡(luò)和Caffe檢測人臉

6.3.1預(yù)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(yù)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(yù)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(xùn)練視覺

6.6.1預(yù)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(yù)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(xiàn)語音轉(zhuǎn)文字

7.2.1預(yù)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(yù)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(xiàn)

7.4.1預(yù)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(chuàng)建自定義聲音

7.5.1預(yù)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(yù)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(yōu)化

8.1基于ESP32的IoT簡介

8.1.1預(yù)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(huán)境監(jiān)控器的實現(xiàn)

8.2.1預(yù)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(shù)優(yōu)化

8.3.1預(yù)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(yù)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(gòu)建機器學(xué)習(xí)pipeline

8.5.1預(yù)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(xué)習(xí)

8.6.1預(yù)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(shù)據(jù)

8.7.1預(yù)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(yù)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(yù)備工作

9.2.2Raspberry Pi設(shè)置

9.2.3編碼設(shè)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(yù)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(yù)備工作

9.4.2操作步驟

9.4.3工作機理

9.5采用孿生設(shè)備維護設(shè)備群

9.5.1預(yù)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(xiàn)分布式機器學(xué)習(xí)

9.6.1預(yù)備工作

9.6.2操作步驟

9.6.3工作機理

9.6.4補充說明