人工智能与物联网

　　本书采用基于配方的方法完成从数据收集、分析、建模、统计和监视以及部署的基本过程。本书提供来自智能家居，工业物联网和智能设备的真实数据集来训练和评估简单到复杂的模型，并使用经过训练的模型进行预测。本书还介绍了在实施机器学习和深度学习以及其他AI技术（例如自然语言处理、计算机视觉和用于构建智能IoT系统的强化学习）时面临的主要挑战。通过本书读者可以学习如何打包和部署端到端AI应用程序，以及如何将最佳实践解决方案应用于常见的IoT问题。

　　Michael Roshak 云架构师和战略家，研究重点是设计和部署面向云的解决方案和架构。在企业云转型计划和基础设施现代化方面拥有深厚的专业知识。他负责为云应用提供战略咨询服务、咨询技术销售，并通过跨多个行业的高度战略客户推动广泛的云服务。高慧敏 博士，教授。嘉兴学院图书馆副馆长（兼学报编辑部主任），浙江省嘉兴光伏技术创新服务平台主任，《系统仿真学报》编委会委员，长三角G60科创走廊专家咨询委员会专家。主要从事复杂系统建模与仿真，生产优化与调度等领域的科研工作。

第1章搭建IoT和AI环境

1.1准备工作

1.1.1设备选型

1.1.2搭建Databricks

1.2搭建IoT Hub

1.2.1预备工作

1.2.2操作步骤

1.2.3工作机理

1.3设置IoT Edge设备

1.3.1预备工作

1.3.2操作步骤

1.3.3工作机理

1.4将ML模块部署到边缘设备端

1.4.1预备工作

1.4.2操作步骤

1.4.3工作机理

1.4.4补充说明

1.5搭建Kafka

1.5.1预备工作

1.5.2操作步骤

1.5.3工作机理

1.5.4补充说明

1.6在Databricks上安装ML库

1.6.1预备工作

1.6.2操作步骤

1.6.3工作机理

第2章数据处理

2.1使用Delta Lake存储数据以便分析

2.1.1预备工作

2.1.2操作步骤

2.1.3工作机理

2.2数据采集设计

2.2.1预备工作

2.2.2操作步骤

2.3窗口化

2.3.1预备工作

2.3.2操作步骤

2.3.3工作机理

2.4探索性因子分析法

2.4.1预备工作

2.4.2操作步骤

2.4.3工作机理

2.4.4补充说明

2.5在Mongo/hot path storage中实现分析查询

2.5.1预备工作

2.5.2操作步骤

2.5.3工作机理

2.6将IoT数据导入Spark

2.6.1预备工作

2.6.2操作步骤

2.6.3工作机理

第3章面向IoT的机器学习

3.1采用异常检测分析化学传感器

3.1.1预备工作

3.1.2操作步骤

3.1.3工作机理

3.1.4补充说明

3.2IoMT中的Logistic回归

3.2.1预备工作

3.2.2操作步骤

3.2.3工作机理

3.2.4补充说明

3.3使用决策树对化学传感器进行分类

3.3.1操作步骤

3.3.2工作机理

3.3.3补充说明

3.4使用XGBoost进行简单的预测性维护

3.4.1预备工作

3.4.2操作步骤

3.4.3工作机理

3.5危险驾驶行为检测

3.5.1预备工作

3.5.2操作步骤

3.5.3工作机理

3.5.4补充说明

3.6在受限设备端进行人脸检测

3.6.1预备工作

3.6.2操作步骤

3.6.3工作机理

第4章用于预测性维护的深度学习

4.1使用特征工程增强数据

4.1.1预备工作

4.1.2操作步骤

4.1.3工作机理

4.1.4补充说明

4.2使用Keras进行故障检测

4.2.1预备工作

4.2.2操作步骤

4.2.3工作机理

4.2.4补充说明

4.3实施LSTM来预测设备故障

4.3.1预备工作

4.3.2操作步骤

4.3.3工作机理

4.4将模型部署到Web服务

4.4.1预备工作

4.4.2操作步骤

4.4.3工作机理

4.4.4补充说明

第5章异常检测

5.1在Raspberry Pi和Sense HAT上使用ZSpikes

5.1.1预备工作

5.1.2操作步骤

5.1.3工作机理

5.2使用自编码器检测标记数据中的异常

5.2.1预备工作

5.2.2操作步骤

5.2.3工作机理

5.2.4补充说明

5.3对未标记数据集使用孤立森林算法

5.3.1预备工作

5.3.2操作步骤

5.3.3工作机理

5.3.4补充说明

5.4使用Luminol检测时间序列异常

5.4.1预备工作

5.4.2操作步骤

5.4.3工作机理

5.4.4补充说明

5.5检测受季节性影响的异常

5.5.1预备工作

5.5.2操作步骤

5.5.3工作机理

5.6使用流分析法检测峰值

5.6.1预备工作

5.6.2操作步骤

5.6.3工作机理

5.7检测边缘设备的异常

5.7.1预备工作

5.7.2操作步骤

5.7.3工作机理

第6章计算机视觉

6.1通过OpenCV连接摄像头

6.1.1预备工作

6.1.2操作步骤

6.1.3工作机理

6.1.4补充说明

6.2使用微软自定义视觉来训练和标记图像

6.2.1预备工作

6.2.2操作步骤

6.2.3工作机理

6.3使用深度神经网络和Caffe检测人脸

6.3.1预备工作

6.3.2操作步骤

6.3.3工作机理

6.4在Raspberry Pi上使用YOLO检测物体

6.4.1预备工作

6.4.2操作步骤

6.4.3工作机理

6.5在NVIDIA Jetson Nano上使用GPU检测物体

6.5.1预备工作

6.5.2操作步骤

6.5.3工作机理

6.5.4补充说明

6.6在GPU上使用PyTorch训练视觉

6.6.1预备工作

6.6.2操作步骤

6.6.3工作机理

6.6.4补充说明

第7章基于NLP和Bots的Kiosks

7.1唤醒词检测

7.1.1预备工作

7.1.2操作步骤

7.1.3工作机理

7.1.4补充说明

7.2使用Microsoft Speech API实现语音转文字

7.2.1预备工作

7.2.2操作步骤

7.2.3工作机理

7.3LUIS入门

7.3.1预备工作

7.3.2操作步骤

7.3.3工作机理

7.3.4补充说明

7.4智能机器人实现

7.4.1预备工作

7.4.2操作步骤

7.4.3工作机理

7.4.4补充说明

7.5创建自定义声音

7.5.1预备工作

7.5.2操作步骤

7.5.3工作机理

7.6利用QnA Maker增强机器人的功能

7.6.1预备工作

7.6.2操作步骤

7.6.3工作机理

7.6.4补充说明

第8章采用微控制器和pipeline进行优化

8.1基于ESP32的IoT简介

8.1.1预备工作

8.1.2操作步骤

8.1.3工作机理

8.1.4补充说明

8.2ESP32环境监控器的实现

8.2.1预备工作

8.2.2操作步骤

8.2.3工作机理

8.2.4补充说明

8.3超参数优化

8.3.1预备工作

8.3.2操作步骤

8.3.3工作机理

8.4BOM变更的处理

8.4.1预备工作

8.4.2操作步骤

8.4.3工作机理

8.4.4补充说明

8.5使用Sklearn构建机器学习pipeline

8.5.1预备工作

8.5.2操作步骤

8.5.3工作机理

8.5.4补充说明

8.6使用Spark和Kafka进行流式机器学习

8.6.1预备工作

8.6.2操作步骤

8.6.3工作机理

8.6.4补充说明

8.7使用Kafka的KStreams和KTables丰富数据

8.7.1预备工作

8.7.2操作步骤

8.7.3工作机理

8.7.4补充说明

第9章部署到边缘

9.1OTA更新MCU

9.1.1预备工作

9.1.2操作步骤

9.1.3工作机理

9.1.4补充说明

9.2采用IoT Edge部署模块

9.2.1预备工作

9.2.2Raspberry Pi设置

9.2.3编码设置

9.2.4操作步骤

9.2.5工作机理

9.2.6补充说明

9.3采用TensorFlow.js卸载到Web端

9.3.1预备工作

9.3.2操作步骤

9.3.3工作机理

9.3.4补充说明

9.4部署移动模型

9.4.1预备工作

9.4.2操作步骤

9.4.3工作机理

9.5采用孪生设备维护设备群

9.5.1预备工作

9.5.2操作步骤

9.5.3工作机理

9.5.4补充说明

9.6采用雾计算实现分布式机器学习

9.6.1预备工作

9.6.2操作步骤

9.6.3工作机理

9.6.4补充说明