人工智能 (Artificial Intelligence，AI) 正在各种垂直行业中迅速找到实际应用，物联网 (Internet of Things，IoT) 就是其中之一。开发人员正在寻找使IoT设备更智能并让用户生活更轻松的方法。本书介绍如何使用IoT数据实施智能分析，预测结果并做出明智的决策，内容涵盖有助于在IoT应用程序中进行分析和学习的高级AI技术。
基于50 的实用案例，读者可以充分了解数据采集、数据分析、建模、统计和监控以及部署等基本人工智能 IoT流程。利用来自智能家居、工业IoT和智能设备的真实数据集，训练和评估简单和复杂的模型，并使用经过训练的模型进行预测。同时，书中还介绍了实施机器学习、深度学习和其他人工智能技术(如自然语言处理)时面临的主要挑战； 如何利用计算机视觉和嵌入式机器学习构建智能IoT系统； 如何轻松部署模型并提高其性能。
读完本书，读者将能够打包和部署端到端AI应用程序，并将实践解决方案应用于常见的IoT问题。
读者对象
本书面向IoT从业者、构建以IoT为重点的人工智能解决方案的数据科学家及人工智能开发人员。全书提供人工智能技术构建智能IoT解决方案，且无须阅读大量人工智能理论。本书读者需要了解Python编程语言和基本的物联网概念，方能有效掌握书中涵盖的概念。
涵盖内容
第1章重点介绍如何设置正确的环境。内容涵盖如何选择满足AI需求的设备； 如何与设备或云端模块进行安全通信； 如何设置在云中获取数据的方法，设置Spark和AI工具执行数据分析、训练模型并大规模运行机器学习模型。
第2章讨论可以有效使用任何格式数据的基础知识。
第3章讨论使用逻辑回归和决策树等机器学习模型解决常见的IoT问题，例如对医疗诊断进行分类、
危险驾驶行为检测
及对化学数据进行分类等。
第4章重点介绍使IoT设备成为智能设备的各种分类技术。
第5章解释当警报检测未能对特定问题进行分类时，如何发现相关问题以及如果设备以异常方式运行时的解决方案。
第6章讨论如何在云端以及NVIDIA Jetson Nano等边缘设备上实现计算机视觉。
第7章讨论如何使用自然语言处理技术和机器人与在餐厅自助点餐亭订购食物的用户进行交互。
第8章讨论如何将强化学习用于智能交通路口，实现交通信号灯决策，从而减少等待时间并让交通更畅通。
第9章讨论将预先训练的机器学习模型应用于边缘设备的各种方法，将详细讨论IoT Edge部署对AI Pipeline的重要性，还介绍如何使用TensorFlow.js和Java将模型部署到Web应用程序和移动设备。
掌握技巧
为了充分掌握本书，读者应对软件开发有基本的了解，并对本书使用的Python、C及Java等语言具备基本的了解。
本书使用的硬件是现成的传感器和常见的IoT开发套件，可以从Adafruit.com和 Amazon.com等网站购买。大多数代码可以跨设备移植。用Python语言编写的代码可以轻松移植到各种微处理器，包括Raspberry Pi、NVIDIA Jetson、Lotte Panda甚至计算机。用C语言编写的代码可以移植到各种微控制器，包括ESP32、ESP8266和Arduino。用Java语言编写的代码可以移植到任何Android设备，包括平板电脑和手机。
本书使用Databricks进行实验，免费版本可到其官网下载。
资源分享
本书提供全部代码资源，可扫描下方的二维码下载。
文本惯例
本书中使用了许多文本惯例。
代码设置如下：
import numpy as np
import torch
from torch import nn
from torch import optim
import torch.nn.functional as F
from torchvision import datasets, transforms, models
from torch.utils.data.sampler import SubsetRandomSampler
命令行的输入或输出写成如下样式：
pip install deap
粗体字表示一个新的术语，一个重要的单词，或屏幕上显示的单词。
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ZSpikes
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
书单推荐
