科技
类型
可以朗读
语音朗读
285千字
字数
2025-02-01
发行日期
展开全部
主编推荐语
本书以实用、易于理解的方式介绍了新兴的、迅速发展的边缘人工智能领域。
内容简介
本书涵盖广泛的主题，从核心概念到最新的硬件和软件工具，内容充满了可操作的建议，并包含多个端到端示例。本书可分为两部分：第一部分介绍和讨论关键概念，帮助你了解整个领域的情况，并带你了解有助于设计和实现应用程序的实际过程；第二部分通过三个完整的用例来演示如何运用所学知识解决科学、工业和消费者项目中的实际问题。
本书旨在为那些将推动这场革命的工程师、科学家、产品经理和决策者提供指导。它是针对整个领域的高层次指南，提供了一个工作流程和框架，用于利用边缘人工智能解决现实世界的问题。
目录
- 版权信息
- O'Reilly Media，Inc. 介绍
- 本书赞誉
- 序
- 前言
- 第1章 边缘人工智能简介
- 1.1 关键术语定义
- 1.1.1 嵌入式
- 1.1.2 边缘端和物联网
- 1.1.3 人工智能
- 1.1.4 机器学习
- 1.1.5 边缘人工智能
- 1.1.6 嵌入式机器学习和微型机器学习
- 1.1.7 数字信号处理
- 1.2 为什么需要边缘人工智能
- 1.2.1 理解边缘人工智能的好处（BLERP）
- 1.2.2 边缘人工智能的作用
- 1.2.3 边缘人工智能与常规人工智能之间的主要区别
- 1.3 总结
- 第2章 现实世界中的边缘人工智能
- 2.1 边缘人工智能的常见用例
- 2.1.1 绿地和棕地项目
- 2.1.2 现实世界的产品
- 2.2 应用类型
- 2.2.1 物体追踪
- 2.2.2 理解和控制系统
- 2.2.3 了解人和生物
- 2.2.4 信号转换
- 2.3 负责任地创建应用
- 2.3.1 负责任的设计和人工智能伦理
- 2.3.2 黑盒和偏差
- 2.3.3 保持谨慎
- 2.4 总结
- 第3章 边缘人工智能的硬件
- 3.1 传感器、信号和数据源
- 3.1.1 传感器和信号的类型
- 3.1.2 声学与振动
- 3.1.3 视觉与场景
- 3.1.4 运动与位置
- 3.1.5 力与触觉
- 3.1.6 光学、电磁和辐射
- 3.1.7 环境、生物和化学
- 3.1.8 其他信号
- 3.2 边缘人工智能处理器
- 3.2.1 边缘人工智能硬件架构
- 3.2.2 微控制器和数字信号处理器
- 3.2.3 片上系统
- 3.2.4 深度学习加速器
- 3.2.5 FPGA和ASIC
- 3.2.6 边缘服务器
- 3.2.7 多设备架构
- 3.2.8 设备和工作负载
- 3.3 总结
- 第4章 边缘人工智能算法
- 4.1 特征工程
- 4.1.1 处理数据流
- 4.1.2 数字信号处理算法
- 4.1.3 结合特征与传感器
- 4.2 人工智能算法
- 4.2.1 按功能划分的算法类型
- 4.2.2 按实现方式划分的算法类型
- 4.2.3 边缘设备的优化
- 4.2.4 在设备上训练
- 4.3 总结
- 第5章 工具与专业知识
- 5.1 为边缘人工智能组建团队
- 5.1.1 领域专业知识
- 5.1.2 多元化
- 5.1.3 利益相关者
- 5.1.4 角色与责任
- 5.1.5 边缘人工智能的招聘
- 5.1.6 学习边缘人工智能技能
- 5.2 行业工具
- 5.2.1 软件工程
- 5.2.2 使用数据
- 5.2.3 算法开发
- 5.2.4 在设备上运行算法
- 5.2.5 嵌入式软件工程与电子技术
- 5.2.6 边缘人工智能的端到端平台
- 5.3 总结
- 第6章 理解和构建问题
- 6.1 边缘人工智能工作流程
- 6.2 我需要边缘人工智能吗
- 6.2.1 描述一个问题
- 6.2.2 我需要部署到边缘吗
- 6.2.3 我需要机器学习吗
- 6.2.4 实践练习
- 6.3 确定可行性
- 6.3.1 道德可行性
- 6.3.2 商业可行性
- 6.3.3 数据集可行性
- 6.3.4 技术可行性
- 6.3.5 做最后的决定
- 6.3.6 规划一个边缘人工智能项目
- 6.4 总结
- 第7章 如何构建一个数据集
- 7.1 数据集是什么样的
- 7.2 理想的数据集
- 7.3 数据集和领域专业知识
- 7.4 数据、道德和负责任的人工智能
- 7.4.1 尽量减少未知因素
- 7.4.2 确保领域专业知识
- 7.5 以数据为中心的机器学习
- 7.6 估计数据要求
- 7.7 掌握数据
- 7.8 存储和检索数据
- 7.8.1 让数据进入存储库
- 7.8.2 收集元数据
- 7.9 确保数据质量
- 7.9.1 确保数据集的代表性
- 7.9.2 通过抽样审查数据
- 7.9.3 标签噪声
- 7.9.4 常见的数据错误
- 7.9.5 漂移和偏移
- 7.9.6 错误的不均匀分布
- 7.10 准备数据
- 7.10.1 标记
- 7.10.2 格式化
- 7.10.3 数据清洗
- 7.10.4 特征工程
- 7.10.5 数据分割
- 7.10.6 数据增强
- 7.10.7 数据管道
- 7.11 随着时间推移构建数据集
- 7.12 总结
- 第8章 设计边缘人工智能应用
- 8.1 产品与体验设计
- 8.1.1 设计原则
- 8.1.2 确定解决方案的范围
- 8.1.3 设定设计目标
- 8.2 架构设计
- 8.2.1 硬件、软件和服务
- 8.2.2 基本应用程序架构
- 8.2.3 复杂的应用程序架构和设计模式
- 8.2.4 使用设计模式
- 8.3 设计中的选择度量
- 8.4 总结
- 第9章 开发边缘人工智能应用
- 9.1 边缘人工智能开发的迭代工作流程
- 9.1.1 探索
- 9.1.2 目标设定
- 9.1.3 引导
- 9.1.4 测试和迭代
- 9.1.5 部署
- 9.1.6 支持
- 9.2 总结
- 第10章 评估、部署和支持边缘人工智能应用
- 10.1 评估边缘人工智能系统
- 10.1.1 评估系统的方法
- 10.1.2 有用的指标
- 10.1.3 评估技术
- 10.1.4 评估和负责任的人工智能
- 10.2 部署边缘人工智能应用
- 10.2.1 部署前任务
- 10.2.2 部署中任务
- 10.2.3 部署后任务
- 10.3 支持边缘人工智能应用
- 10.3.1 部署后监控
- 10.3.2 改进实时应用程序
- 10.3.3 道德和长期支持
- 10.4 接下来会发生什么
- 第11章 用例：野生动物监测
- 11.1 问题探索
- 11.2 解决方案探索
- 11.3 目标设定
- 11.4 解决方案设计
- 11.4.1 现有的解决方案有哪些
- 11.4.2 解决方案设计方法
- 11.4.3 设计注意事项
- 11.4.4 环境影响
- 11.4.5 引导
- 11.4.6 定义你的机器学习类
- 11.5 数据集收集
- 11.5.1 Edge Impulse
- 11.5.2 选择你的硬件和传感器
- 11.5.3 数据收集
- 11.5.4 iNaturalist
- 11.5.5 数据集限制
- 11.5.6 数据集许可和法律义务
- 11.5.7 清理数据集
- 11.5.8 上传数据到Edge Impulse
- 11.6 DSP和机器学习工作流程
- 11.6.1 DSP块
- 11.6.2 机器学习块
- 11.7 测试模型
- 11.7.1 实时分类
- 11.7.2 模型测试
- 11.7.3 本地测试模型
- 11.8 部署
- 11.8.1 创建库
- 11.8.2 手机和计算机
- 11.8.3 预构建二进制固件
- 11.8.4 运行Impulse
- 11.8.5 GitHub源代码
- 11.9 迭代和反馈循环
- 11.10 人工智能向善
- 11.11 相关工作
- 11.11.1 数据集
- 11.11.2 研究
- 第12章 用例：食品质量保证
- 12.1 问题探索
- 12.2 解决方案探索
- 12.3 目标设定
- 12.4 解决方案设计
- 12.4.1 现有的解决方案有哪些
- 12.4.2 解决方案设计方法
- 12.4.3 设计注意事项
- 12.4.4 环境及社会影响
- 12.4.5 引导
- 12.4.6 定义你的机器学习类
- 12.5 数据集收集
- 12.5.1 Edge Impulse
- 12.5.2 选择你的硬件和传感器
- 12.5.3 数据收集
- 12.5.4 数据摄取固件
- 12.5.5 上传数据到Edge Impulse
- 12.5.6 清理数据集
- 12.5.7 数据集许可和法律义务
- 12.6 DSP和机器学习工作流程
- 12.6.1 DSP块
- 12.6.2 机器学习块
- 12.7 测试模型
- 12.7.1 实时分类
- 12.7.2 模型测试
- 12.8 部署
- 12.8.1 预构建二进制固件
- 12.8.2 GitHub源代码
- 12.9 迭代和反馈循环
- 12.10 相关工作
- 12.10.1 研究
- 12.10.2 新闻和其他文章
- 第13章 用例：消费类产品
- 13.1 问题探索
- 13.2 目标设定
- 13.3 解决方案设计
- 13.3.1 现有的解决方案有哪些
- 13.3.2 解决方案设计方法
- 13.3.3 设计注意事项
- 13.3.4 环境及社会影响
- 13.3.5 引导
- 13.3.6 定义你的机器学习类
- 13.4 数据集收集
- 13.4.1 Edge Impulse
- 13.4.2 选择你的硬件和传感器
- 13.4.3 数据收集
- 13.4.4 数据摄取固件
- 13.4.5 清理数据集
- 13.4.6 数据集许可和法律义务
- 13.5 DSP和机器学习工作流程
- 13.5.1 DSP块
- 13.5.2 机器学习块
- 13.6 测试模型
- 13.6.1 实时分类
- 13.6.2 模型测试
- 13.7 部署
- 13.7.1 预构建二进制固件
- 13.7.2 GitHub源代码
- 13.8 迭代和反馈循环
- 13.9 相关工作
- 13.9.1 研究
- 13.9.2 新闻和其他文章
- 作者简介
- 封面简介
- 推荐阅读
展开全部
评分及书评
尚无评分
目前还没人评分
出版方
机械工业出版社
机械工业出版社是全国优秀出版社，自1952年成立以来，坚持为科技、为教育服务，以向行业、向学校提供优质、权威的精神产品为宗旨，以“服务社会和人民群众需求，传播社会主义先进文化”为己任，产业结构不断完善，已由传统的图书出版向着图书、期刊、电子出版物、音像制品、电子商务一体化延伸，现已发展为多领域、多学科的大型综合性出版社，涉及机械、电工电子、汽车、计算机、经济管理、建筑、ELT、科普以及教材、教辅等领域。
