دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
ویرایش: 1
نویسندگان: Philip Meitiner. Pradeeka Seneviratne
سری:
ISBN (شابک) : 1484257650, 9781484257654
ناشر: Apress
سال نشر: 2020
تعداد صفحات: 0
زبان: English
فرمت فایل : EPUB (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 9 مگابایت
در صورت تبدیل فایل کتاب Beginning Data Science, IoT, and AI on Single Board Computers: Core Skills and Real-World Application with the BBC micro:bit and XinaBox به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.
توجه داشته باشید کتاب شروع علم داده، اینترنت اشیا و هوش مصنوعی در رایانه های تک تخته: مهارت های اصلی و کاربرد در دنیای واقعی با BBC micro:bit و XinaBox نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.
یاد بگیرید که از فناوری برای انجام علم داده و استفاده از اینترنت اشیا (IoT) در آزمایش خود استفاده کنید. این کتاب که برای بردن شما به سفری جذاب طراحی شده است، مفاهیم اصلی علم داده مدرن را معرفی می کند. شما با برنامههای سادهای شروع میکنید که میتوانید با میکرو: بیت بیبیسی انجام دهید و به آزمایشهای پیچیدهتر با سختافزار اضافی بروید. مهارتها و روایتها تا حد امکان عمومی هستند و میتوانند با طیف وسیعی از گزینههای سختافزاری پیادهسازی شوند.
یکی از هیجانانگیزترین و سریعترین موضوعات در حال رشد در آموزش، علم داده است. درک چگونگی کارکرد داده ها و نحوه کار با داده ها، یک مهارت کلیدی زندگی در قرن بیست و یکم است. در دنیایی که اطلاعات آن را هدایت میکند، ضروری است که دانشآموزان به ابزارهایی که برای درک همه آن نیاز دارند مجهز شوند. به عنوان مثال، در نظر بگیرید که چگونه علم داده عامل کلیدی بود که خطرات تغییرات آب و هوایی را شناسایی کرد - و همچنان به ما کمک می کند تا تهدیداتی را که ارائه می دهد شناسایی کرده و به آنها واکنش نشان دهیم. این کتاب به بررسی قدرت داده ها و چگونگی استفاده از آن با استفاده از سخت افزاری می پردازد.
شما مفاهیم اصلی علم داده، نحوه به کارگیری آنها در دنیای واقعی و نحوه استفاده را خواهید آموخت. پتانسیل گسترده اینترنت اشیا در پایان، میتوانید آزمایشهای علمی دادهای پیچیده و معنیدار را اجرا کنید - چرا یک شهروند دانشمند نشوید و سهمی واقعی در مبارزه با تغییرات آب و هوا نداشته باشید.
این روزها چیزی شبیه به یک انقلاب دیجیتال در حال وقوع است، به خصوص در کلاس درس. با افزایش دسترسی به ریزپردازندهها، کلاسهای درس بیشتر و بیشتر آنها را در درسها ترکیب میکنند. نزدیک به 5 میلیون میکرو بیت بیبیسی تا پایان سال در دست دانشآموزان جوان خواهد بود و میلیونها دستگاه دیگر نیز توسط مربیان برای آموزش طیف وسیعی از موضوعات و موضوعات استفاده میشود. این یک فرصت را ارائه می دهد: ریزپردازنده هایی مانند micro:bit ابزار عالی برای استفاده برای ایجاد مهارت های علم داده قرن بیست و یکم را ارائه می دهند. شروع علم داده و اینترنت اشیا در بی بی سی micro:bit پایه ای محکم در علم داده کاربردی به شما ارائه می دهد.
آنچه یاد خواهید گرفت
· استفاده کنید. حسگرهایی با ریزپردازنده برای جمعآوری یا \"ایجاد\" داده
· استخراج، جدولبندی و استفاده از دادهها از ریزپردازنده
· یک ریزپردازنده را به یک پلت فرم اینترنت اشیا وصل کنید تا به اشتراک گذاشته شود و سپس از دادههایی که جمعآوری میکنیم استفاده کنید
· تجزیه و تحلیل و تبدیل دادهها به اطلاعات
این کتاب برای چه کسی است
معلمانان، شهرونددانان ، و قلع و قمع کنندگان علاقه مند به مقدمه ای بر مفاهیم اینترنت اشیا و داده ها در مقیاس وسیع هستند.
Learn to use technology to undertake data science and to leverage the Internet of Things (IoT) in your experimentation. Designed to take you on a fascinating journey, this book introduces the core concepts of modern data science. You'll start with simple applications that you can undertake on a BBC micro:bit and move to more complex experiments with additional hardware. The skills and narrative are as generic as possible and can be implemented with a range of hardware options.
One of the most exciting and fastest growing topics in education is data science. Understanding how data works, and how to work with data, is a key life skill in the 21st century. In a world driven by information it is essential that students are equipped with the tools they need to make sense of it all. For instance, consider how data science was the key factor that identified the dangers of climate change -- and continues to help us identify and react to the threats it presents. This book explores the power of data and how you can apply it using hardware you have at hand.
You'll learn the core concepts of data science, how to apply them in the real world and how to utilize the vast potential of IoT. By the end, you'll be able to execute sophisticated and meaningful data science experiments - why not become a citizen scientist and make a real contribution to the fight against climate change.
There is something of a digital revolution going these days, especially in the classroom. With increasing access to microprocessors, classrooms are are incorporating them more and more into lessons. Close to 5 million BBC micro:bits will be in the hands of young learners by the end of the year and millions of other devices are also being used by educators to teach a range of topics and subjects. This presents an opportunity: microprocessors such as micro:bit provide the perfect tool to use to build 21st century data science skills. Beginning Data Science and IoT on the BBC micro:bit provides you with a solid foundation in applied data science.
What You'll Learn
· Use sensors with a microprocessor to gather or "create" data
· Extract, tabulate, and utilize data it from the microprocessor
· Connect a microprocessor to an IoT platform to share and then use the data we collect
· Analyze and convert data into information
Who This Book Is For
Educators, citizen scientists, and tinkerers interested in an introduction to the concepts of IoT and data on a broad scale.
Table of Contents About the Authors Foreword Chapter 1: Introducing Data Science 1.1 Introducing Data Science 1.2 Using Temperature 1.3 Measuring Temperature 1.4 Controlling Data 1.5 Understanding the Tools 1.6 Data Quality 1.7 Data Capturing 1.8 Experimenting with Temperature 1.9 Analyzing Our Results Analysis of Extremities Analysis of Averages (Central Tendency) Random Insights Analysis of Data Quality Introspection 1.10 Summary Chapter 2: Data Science Goes Digital 2.1 Making It Digital 2.2 Measuring Temperature Digitally The Role of the Microprocessor 2.3 Building Digital Tools 2.4 Using the BBC micro:bit As a Thermometer 2.5 Coding Guidelines Used in This Book 2.6 Using the micro:bit Code Editors 2.7 Using the “No-Code” Option 2.8 Coding the micro:bit Thermometer 2.9 Comparing Analog and Digital Thermometers 2.10 Analysis Analysis of Extremities Analysis of Averages: “Central Tendency” Analysis of Data Quality Introspection 2.11 Why the micro:bit? 2.12 What Kit Do We Need? 2.13 Selecting Our Toolkit 2.14 Guide to Hardware Requirements 2.15 Summary Chapter 3: Experimenting with Weather 3.1 Introduction 3.2 Measuring Weather 3.3 Choosing the Data to Measure 3.4 Experimenting with Weather 3.5 Building Our Weather Station Tool 3.6 Coding Our Weather Station 3.7 Upgrading the Display 3.8 Experimental Design 3.9 Visualizing the Data We Collected 3.10 Analyzing the Data We Collected 3.11 Summary Chapter 4: Working with Large Data Sets 4.1 Experimental Design 4.2 Using the micro:bit As a File Storage Device 4.3 Accessing Files on the micro:bit 4.4 Transferring Files onto a Computer 4.5 Hardware Requirements 4.6 Storing Sensor Data in a File 4.7 Measuring How Many Data Points We Can Store 4.8 Replicating the Weather Station Experiment with File Storage 4.9 Addressing Memory Limitations 4.10 Expanding Data Storage Capacity 4.11 Summary Chapter 5: Introduction to Data Analysis 5.1 Expanding Our Analysis Tools 5.2 Software for Data Analysis 5.3 Selecting a Spreadsheet Program 5.4 Measuring Correlation 5.5 Calculating Correlation Scores 5.6 Understanding a Correlation Coefficient/Score 5.7 Calculating the Correlation Score for Weather Data 5.8 Using Other Analysis Functions 5.9 Using Visualization Tools 5.10 Reporting 5.11 Statistical Significance 5.12 Summary Chapter 6: Introducing IoT to Data Science 6.1 The Weakness in Our Data Science Toolkit 6.2 Internet of Things Overview 6.3 Anatomy of the Cloud 6.4 Transferring Data from a micro:bit 6.5 Wireless Communication Options for IoT 6.6 Transmitting Data Using a Serial Connection 6.7 Summary Chapter 7: Using Bluetooth for Data Science 7.1 What Is Bluetooth? 7.2 Why Use Bluetooth? 7.3 Using BLE on micro:bit 7.4 Building a BLE Weather Station with Bluetooth UART 7.5 Using the Serial Bluetooth Terminal App 7.6 Coding the BLE Weather Station 7.7 Other Options for BLE on micro:bit 7.8 Summary Chapter 8: Investigating the micro:bit Radio 8.1 Standards Are Important 8.2 Using Radio for Input/Output 8.3 Using Radio to Build a Network 8.4 Choosing MakeCode or MicroPython 8.5 MakeCode Radio Groups 8.6 Nodes and a Collector 8.7 Building the Nodes 8.8 Building the Server/Collector 8.9 Summary Chapter 9: Using Wi-Fi to Connect to the Internet 9.1 Defining Our IoT Weather Station 9.2 Building Our Wi-Fi Weather Station 9.3 Updating Firmware 9.4 Choosing an IoT Platform 9.5 Setting Up the IoT Platform 9.6 Adding Our Weather Station to the IoT Platform 9.7 Visualizing Data in the IoT Platform 9.8 Coding Our Wi-Fi Weather Station 9.9 Powering and Running the Weather Station 9.10 Viewing the Data Visualizations 9.11 Summary Chapter 10: Introduction to Machine Learning and Artificial Intelligence 10.1 Artificial Intelligence 10.2 AI/ML? 10.3 ML/AI and Data Science 10.4 Thinking Like a Machine 10.5 Experimental Design 10.6 Hardware Requirements 10.7 Software 10.8 Using the Hardware 10.9 Analyzing the Data 10.10 Comparing Humans and Machines 10.11 Summary Chapter 11: Using ML Services 11.1 Defining Our IoT Application 11.2 Choosing an IoT Service Provider 11.3 Setting Up Microsoft Azure: Cloud Computing Services 11.4 Creating an IoT Hub Using Azure Portal 11.5 Setting Up a Weather Prediction Model in Azure Machine Learning Studio 11.6 Creating a Workflow Using Azure Logic Apps 11.7 Setting Up the workflow Step 1: Sending Data from the Weather Station Instrument Step 2: Passing Data into the ML Service Step 3: Interpreting (“Parsing”) Results from the ML Service (“Parse JSON”) Step 4: Setting Up a Variable to Store the Data from the ML Service Step 5: Sending Data Back to the Weather Station Instrument 11.8 Testing the Workflow 11.9 Summary Chapter 12: Connecting an Edge Device to the IoT Application 12.1 Choosing the Hardware 12.2 The Role of the Edge Device 12.3 Building the Edge Device 12.4 Coding the Edge Device 12.5 Using the Edge Device 12.6 Improving the Edge Device 12.7 Peering Under the Hood of the IoT Application Parse JSON Initialize Variable Response When a HTTP Request Is Received 12.8 Data Analysis 12.9 Summary Chapter 13: Consolidating our Learnings 13.1 Am I a Data Scientist? 13.2 Becoming a Data Scientist 13.3 Debunking Some Myths 13.4 Extrapolating Learnings 13.5 Applying Our Knowledge to Different Builds 13.6 Ethical Considerations 13.7 Summary Index