人工智能與物聯網 Artificial Intelligence for IoT Cookbook: Over 70 recipes for building AI solutions for smart homes, industrial IoT, and smart cities

本書採用基於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，並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、電腦視覺和用於構建智能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**實踐解決方案應用於常見的IoT問題。

 

目錄

 

 

 

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數據採集設計

 

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採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章用於預測性維護的深度學習

 

4.1使用特徵工程增強數據

 

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章電腦視覺

 

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章基於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章採用微控制器和pipeline進行優化

 

8.1基於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採用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採用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採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採用霧計算實現分佈式機器學習

 

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