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(jī)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(jī)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(jī)理 1.4.4補(bǔ)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(jī)理 1.5.4補(bǔ)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(jī)理 第2章數(shù)據(jù)處理 2.1使用Delta Lake存儲(chǔ)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(jī)理 2.2數(shù)據(jù)采集設(shè)計(jì) 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(jī)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(jī)理 2.4.4補(bǔ)充說明 2.5在Mongo/hot path storage中實(shí)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(jī)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(jī)理 第3章面向IoT的機(jī)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(jī)理 3.1.4補(bǔ)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(jī)理 3.2.4補(bǔ)充說明 3.3使用決策樹對化學(xué)傳感器進(jìn)行分類 3.3.1操作步驟 3.3.2工作機(jī)理 3.3.3補(bǔ)充說明 3.4使用XGBoost進(jìn)行簡單的預(yù)測性維護(hù) 3.4.1預(yù)備工作 3.4.2操作步驟 3.4.3工作機(jī)理 3.5危險(xiǎn)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(jī)理 3.5.4補(bǔ)充說明 3.6在受限設(shè)備端進(jìn)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(jī)理 第4章用于預(yù)測性維護(hù)的深度學(xué)習(xí) 4.1使用特征工程增強(qiáng)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(jī)理 4.1.4補(bǔ)充說明 4.2使用Keras進(jìn)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(jī)理 4.2.4補(bǔ)充說明 4.3實(shí)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(jī)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(jī)理 4.4.4補(bǔ)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(jī)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(jī)理 5.2.4補(bǔ)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(jī)理 5.3.4補(bǔ)充說明 5.4使用Luminol檢測時(shí)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(jī)理 5.4.4補(bǔ)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(jī)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(jī)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(jī)理 第6章計(jì)算機(jī)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(jī)理 6.1.4補(bǔ)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(jī)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(jī)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(jī)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(jī)理 6.5.4補(bǔ)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(jī)理 6.6.4補(bǔ)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(jī)理 7.1.4補(bǔ)充說明 7.2使用Microsoft Speech API實(shí)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(jī)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(jī)理 7.3.4補(bǔ)充說明 7.4智能機(jī)器人實(shí)現(xiàn) 7.4.1預(yù)備工作 7.4.2操作步驟 7.4.3工作機(jī)理 7.4.4補(bǔ)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(jī)理 7.6利用QnA Maker增強(qiáng)機(jī)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(jī)理 7.6.4補(bǔ)充說明 第8章采用微控制器和pipeline進(jìn)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(jī)理 8.1.4補(bǔ)充說明 8.2ESP32環(huán)境監(jiān)控器的實(shí)現(xiàn) 8.2.1預(yù)備工作 8.2.2操作步驟 8.2.3工作機(jī)理 8.2.4補(bǔ)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(jī)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(jī)理 8.4.4補(bǔ)充說明 8.5使用Sklearn構(gòu)建機(jī)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(jī)理 8.5.4補(bǔ)充說明 8.6使用Spark和Kafka進(jìn)行流式機(jī)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(jī)理 8.6.4補(bǔ)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(jī)理 8.7.4補(bǔ)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(jī)理 9.1.4補(bǔ)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(jī)理 9.2.6補(bǔ)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(jī)理 9.3.4補(bǔ)充說明 9.4部署移動(dòng)模型 9.4.1預(yù)備工作 9.4.2操作步驟 9.4.3工作機(jī)理 9.5采用孿生設(shè)備維護(hù)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(jī)理 9.5.4補(bǔ)充說明 9.6采用霧計(jì)算實(shí)現(xiàn)分布式機(jī)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(jī)理 9.6.4補(bǔ)充說明