در عصر اینترنت اشیا (IoT)، تعداد بسیار زیادی از دستگاههای سنجش، دادههای حسی مختلفی را برای طیف وسیعی از برنامهها در طول زمان جمع آوری و تولید میکنند. این دادهها عمدتا از جریانهای بزرگ، سریع و بلادرنگ مبتنی بر برنامهها تشکیل شده اند. استفاده از تجزیه و تحلیل در رابطه با چنین دادههای بزرگی یا جریانهای داده برای یادگیری اطلاعات جدید، پیش بینی آینده نگرانه و تصمیم گیری آگاهانه بسیار مهم است و IoT را به الگویی شایسته برای مشاغل و فناوریهای بهبود دهنده کیفیت زندگی تبدیل میکند.
هوش مصنوعی به سرعت در حال رشد است که ناشی از پیشرفت در شبکههای عصبی (NN) و یادگیری عمیق (DL) است. با افزایش سرمایه گذاری در شهرهای هوشمند، مراقبتهای بهداشتی هوشمند و اینترنت اشیا (IoT) صنعتی، تجاری سازی اینترنت اشیا به زودی در اوج خواهد بود که در آن مقادیر زیادی از دادههای تولید شده توسط دستگاههای اینترنت اشیا نیاز به پردازش در مقیاس بزرگ دارند.
این کتاب برای تسهیل کردن تجزیه و تحلیل و یادگیری در برنامههای مختلف اینترنت اشیا، مروری کامل از یک کلاس از تکنیکهای پیشرفته یادگیری ماشین به نام یادگیری عمیق (DL) را برای شما فراهم میکند. کتاب «یادگیری عمیق عملی برای اینترنت اشیا»، دید عمیقتری را در مورد دادههای اینترنت اشیا فراهم میکند، که با معرفی چگونگی متناسب سازی DL در زمینه هوشمند سازی برنامههای اینترنت اشیا، آغاز میشود. سپس چگونگی ساخت معماریهای عمیق با استفاده از TensorFlow، Keras و Chainer برای IoT را پوشش میدهد.
شما خواهید آموخت که چگونه شبکههای عصبی کانولشنال (CNN) را برای توسعه برنامه هایی برای تشخیص مبتنی بر تصویر دست اندازهای جاده ای و تفکیک هوشمند زبالهها آموزش دهید و به دنبال آن کنترل نور هوشمند صوتی و مکانیسمهای دسترسی به منزل را با استفاده از شبکههای عصبی بازگشتی (RNN) آغاز کنید. شما با استفاده از خود رمز گذار ها، DeepFi و شبکههای LSTM به برنامههای اینترنت اشیا برای محلی سازی داخلی، نگهداری قابل پیشبینی و مکان یابی تجهیزات در یک بیمارستان بزرگ تسلط خواهید یافت. علاوه بر این، با امنیت تقویت شده اینترنت اشیا، توسعه برنامه اینترنت اشیا را برای مراقبتهای بهداشتی یاد خواهید گرفت.