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 ed.]
نویسندگان: Rohan Banerjee
سری:
ISBN (شابک) : 9789355518446
ناشر: BPB Publications
سال نشر: 2023
تعداد صفحات:
زبان: English
فرمت فایل : EPUB (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 13 Mb
در صورت تبدیل فایل کتاب Hands-on TinyML: Harness the power of Machine Learning on the edge devices (English Edition) 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 TinyML عملی: از قدرت یادگیری ماشینی در دستگاههای لبه استفاده کنید (نسخه انگلیسی) 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.
با نحوه استقرار مدلهای یادگیری ماشینی پیچیده در
رایانههای تک برد، تلفنهای همراه و میکروکنترلرها آشنا
شوید
ویژگیهای کلیدی
● درک جامعی از مفاهیم اصلی TinyML به دست آورید.
● بیاموزید که چگونه برنامههای TinyML خود را از ابتدا طراحی
کنید.
● مدلهای پیشرفته، سختافزار و پلتفرمهای نرمافزاری را برای
توسعه TinyML کاوش کنید.<
br>
توضیح
TinyML یک فناوری نوآورانه است که دستگاههای لبه کوچک و محدود به
منابع را با قابلیتهای یادگیری ماشینی توانمند میسازد. اگر
علاقه مند به استقرار مدلهای یادگیری ماشینی مستقیماً روی
میکروکنترلرها، رایانههای تک بردی یا تلفنهای همراه بدون تکیه
بر اتصال مداوم ابری هستید، این کتاب منبع ایدهآلی برای
شماست.
کتاب با یک بازنگری در مورد شروع میشود. پایتون، مفاهیم ضروری و
کتابخانه های محبوبی مانند NumPy و Pandas را پوشش می دهد. سپس به
اصول شبکه های عصبی می پردازد و اجرای عملی یادگیری عمیق را با
استفاده از TensorFlow و Keras بررسی می کند. علاوه بر این، این
کتاب یک نمای کلی از TensorFlow Lite، یک چارچوب تخصصی برای
بهینهسازی و استقرار مدلها در دستگاههای لبه ارائه میکند.
همچنین تکنیک های مختلف بهینه سازی مدل را مورد بحث قرار می دهد
که اندازه مدل را بدون به خطر انداختن عملکرد کاهش می دهد.
همانطور که کتاب پیشرفت می کند، راهنمایی گام به گام در مورد
ایجاد مدل های یادگیری عمیق برای تشخیص اشیا و تشخیص چهره ارائه
می دهد که به طور خاص برای Raspberry Pi طراحی شده است. همچنین با
پیچیدگیهای استقرار برنامههای TensorFlow Lite در دستگاههای
لبه دنیای واقعی آشنا خواهید شد. در نهایت، این کتاب به بررسی
امکانات هیجانانگیز استفاده از TensorFlow Lite بر روی واحدهای
میکروکنترلر (MCUs) میپردازد و فرصتهای جدیدی را برای استقرار
مدلهای یادگیری ماشین در دستگاههای محدود به منابع باز
میکند.
به طور کلی، این کتاب به عنوان یک منبع ارزشمند برای هر کسی که
علاقه مند به استفاده از قدرت یادگیری ماشین در دستگاه های لبه
است.
آنچه یاد خواهید گرفت
● پلتفرم های سخت افزاری و نرم افزاری مختلف را برای طراحی TinyML
کاوش کنید. .
● با استفاده از معماری MobileNet، یک مدل یادگیری عمیق برای
تشخیص اشیا ایجاد کنید.
● مدلهای شبکه عصبی بزرگ را با جعبه ابزار بهینهسازی مدل
TensorFlow بهینه کنید.
● قابلیتهای TensorFlow Lite را در میکروکنترلرها کاوش
کنید.
● یک سیستم تشخیص چهره در Raspberry Pi بسازید.
● یک سیستم تشخیص کلمه کلیدی در Arduino Nano بسازید.
این کتاب برای چه کسی است
این کتاب برای دانشجویان مقاطع کارشناسی و کارشناسی ارشد در رشته
های علوم کامپیوتر، هوش مصنوعی، الکترونیک و مهندسی برق شامل رشته
های کارشناسی ارشد و کارشناسی ارشد طراحی شده است. همچنین یک مرجع
ارزشمند برای متخصصان جوانی است که به تازگی وارد این صنعت شده
اند و می خواهند مهارت های خود را ارتقا دهند.
فهرست محتوا
1. مقدمه ای بر TinyML و کاربردهای آن
2. دوره Crash در پایتون و اصول TensorFlow
3. Gearing with Deep Learning
4. تجربه TensorFlow
5. بهینه سازی مدل با استفاده از TensorFlow
6. استقرار اولین برنامه TinyML من
7. فرو رفتن عمیق در استقرار برنامه
8. TensorFlow Lite برای میکروکنترلرها
9. مشاهده کلمات کلیدی در میکروکنترلرها
10. نتیجه گیری و مطالعه بیشتر
ضمیمه
Learn how to deploy complex machine learning models on
single board computers, mobile phones, and
microcontrollers
Key Features
● Gain a comprehensive understanding of TinyML's core
concepts.
● Learn how to design your own TinyML applications from the
ground up.
● Explore cutting-edge models, hardware, and software platforms
for developing TinyML.
Description
TinyML is an innovative technology that empowers small and
resource-constrained edge devices with the capabilities of
machine learning. If you're interested in deploying machine
learning models directly on microcontrollers, single board
computers, or mobile phones without relying on continuous cloud
connectivity, this book is an ideal resource for you.
The book begins with a refresher on Python, covering essential
concepts and popular libraries like NumPy and Pandas. It then
delves into the fundamentals of neural networks and explores
the practical implementation of deep learning using TensorFlow
and Keras. Furthermore, the book provides an in-depth overview
of TensorFlow Lite, a specialized framework for optimizing and
deploying models on edge devices. It also discusses various
model optimization techniques that reduce the model size
without compromising performance. As the book progresses, it
offers a step-by-step guidance on creating deep learning models
for object detection and face recognition specifically tailored
for the Raspberry Pi. You will also be introduced to the
intricacies of deploying TensorFlow Lite applications on
real-world edge devices. Lastly, the book explores the exciting
possibilities of using TensorFlow Lite on microcontroller units
(MCUs), opening up new opportunities for deploying machine
learning models on resource-constrained devices.
Overall, this book serves as a valuable resource for anyone
interested in harnessing the power of machine learning on edge
devices.
What you will learn
● Explore different hardware and software platforms for
designing TinyML.
● Create a deep learning model for object detection using the
MobileNet architecture.
● Optimize large neural network models with the TensorFlow
Model Optimization Toolkit.
● Explore the capabilities of TensorFlow Lite on
microcontrollers.
● Build a face recognition system on a Raspberry Pi.
● Build a keyword detection system on an Arduino Nano.
Who this book is for
This book is designed for undergraduate and postgraduate
students in the fields of Computer Science, Artificial
Intelligence, Electronics, and Electrical Engineering,
including MSc and MCA programs. It is also a valuable reference
for young professionals who have recently entered the industry
and wish to enhance their skills.
Table of Contents
1. Introduction to TinyML and its Applications
2. Crash Course on Python and TensorFlow Basics
3. Gearing with Deep Learning
4. Experiencing TensorFlow
5. Model Optimization Using TensorFlow
6. Deploying My First TinyML Application
7. Deep Dive into Application Deployment
8. TensorFlow Lite for Microcontrollers
9. Keyword Spotting on Microcontrollers
10. Conclusion and Further Reading
Appendix