人工智能與物聯(lián)網

第1章搭建IoT和AI環(huán)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(shù)據處理

2.1使用Delta Lake存儲數(shù)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(shù)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(xiàn)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(shù)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(shù)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(shù)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(shù)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(jié)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(xiàn)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(xiàn)

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(chuàng)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(yōu)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(huán)境監(jiān)控器的實現(xiàn)

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(shù)優(yōu)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(shù)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(xiàn)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