ورود به حساب

نام کاربری گذرواژه

گذرواژه را فراموش کردید؟ کلیک کنید

حساب کاربری ندارید؟ ساخت حساب

ساخت حساب کاربری

نام نام کاربری ایمیل شماره موبایل گذرواژه

برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید


09117307688
09117179751

در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید

دسترسی نامحدود

برای کاربرانی که ثبت نام کرده اند

ضمانت بازگشت وجه

درصورت عدم همخوانی توضیحات با کتاب

پشتیبانی

از ساعت 7 صبح تا 10 شب

دانلود کتاب Intelligent Workloads at the Edge: Deliver cyber-physical outcomes with data and machine learning using AWS IoT Greengrass

دانلود کتاب بارهای کاری هوشمند در لبه: نتایج فیزیکی سایبری را با داده ها و یادگیری ماشین با استفاده از AWS IoT Greengrass ارائه دهید

Intelligent Workloads at the Edge: Deliver cyber-physical outcomes with data and machine learning using AWS IoT Greengrass

مشخصات کتاب

Intelligent Workloads at the Edge: Deliver cyber-physical outcomes with data and machine learning using AWS IoT Greengrass

ویرایش:  
نویسندگان:   
سری:  
ISBN (شابک) : 1801811784, 9781801811781 
ناشر: Packt Publishing 
سال نشر: 2022 
تعداد صفحات: 374 
زبان: English 
فرمت فایل : EPUB (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 10 Mb 

قیمت کتاب (تومان) : 52,000

در صورت ایرانی بودن نویسنده امکان دانلود وجود ندارد و مبلغ عودت داده خواهد شد



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 6


در صورت تبدیل فایل کتاب Intelligent Workloads at the Edge: Deliver cyber-physical outcomes with data and machine learning using AWS IoT Greengrass 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 بارهای کاری هوشمند در لبه: نتایج فیزیکی سایبری را با داده ها و یادگیری ماشین با استفاده از AWS IoT Greengrass ارائه دهید 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.


توضیحاتی در مورد کتاب بارهای کاری هوشمند در لبه: نتایج فیزیکی سایبری را با داده ها و یادگیری ماشین با استفاده از AWS IoT Greengrass ارائه دهید



کاوش اینترنت اشیا، تجزیه و تحلیل داده‌ها و یادگیری ماشین برای حل مشکلات فیزیکی سایبری با استفاده از آخرین قابلیت‌های سرویس‌های مدیریت‌شده مانند AWS IoT Greengrass و Amazon SageMaker

ویژگی‌های کلیدی< /h4>

  • توسعه محصول بعدی خود را با قدرت AWS IoT Greengrass تسریع کنید
  • در معماری راه حل های انعطاف پذیر برای لبه با بهترین شیوه های اثبات شده مهارت ایجاد کنید
  • از قدرت تجزیه و تحلیل و یادگیری ماشین برای حل مشکلات فیزیکی سایبری استفاده کنید

توضیحات کتاب

اینترنت اشیا (IoT) نحوه تفکر و تعامل مردم را تغییر داده است. با دنیا استقرار همه جانبه حسگرها در اطراف ما امکان مطالعه جهان را با هر سطح از دقت و امکان تصمیم گیری مبتنی بر داده را در هر مکانی ممکن می سازد. تجزیه و تحلیل داده ها و یادگیری ماشین (ML) که توسط محاسبات ابری الاستیک پشتیبانی می شود، توانایی ما را برای درک و تجزیه و تحلیل حجم عظیمی از داده های تولید شده توسط اینترنت اشیا تسریع کرده است. اکنون، محاسبات لبه، فناوری‌های اطلاعات را به منبع داده نزدیک‌تر کرده است تا تأخیر کمتری داشته باشد و هزینه‌ها کاهش یابد.

این کتاب به شما می‌آموزد که چگونه فناوری‌های محاسبات لبه، تجزیه و تحلیل داده‌ها و ML را برای ارائه کارهای بعدی ترکیب کنید. تولید نتایج فیزیکی سایبری شما با کشف نحوه ایجاد برنامه های نرم افزاری که بر روی دستگاه های لبه با AWS IoT Greengrass اجرا می شوند، شروع خواهید کرد. با پیشروی، یاد خواهید گرفت که چگونه داده های اینترنت اشیا را از لبه به ابر پردازش و جریان دهید و از آن برای آموزش مدل های ML با استفاده از Amazon SageMaker استفاده کنید. این کتاب همچنین به شما نشان می‌دهد که چگونه این مدل‌ها را آموزش دهید و آن‌ها را برای عملکرد بهینه، صرفه‌جویی در هزینه، و مطابقت داده‌ها در لبه اجرا کنید.

در پایان این کتاب اینترنت اشیا، می‌توانید محدوده‌ی خود را بررسی کنید. بارهای کاری اینترنت اشیاء را در اختیار داشته باشید، قدرت ML را به اوج برسانید، و آن بارهای کاری را در یک محیط تولیدی اجرا کنید.

آنچه یاد خواهید گرفت

  • یک انتها به انتها بسازید. راه حل IoT از لبه تا ابر
  • طراحی و استقرار راه حل های هوشمند چند وجهی در لبه
  • پردازش داده ها در لبه از طریق تجزیه و تحلیل و بسته ML
  • و مدل‌ها را برای لبه با استفاده از Amazon SageMaker بهینه کنید
  • MLOps و DevOps را برای راه‌اندازی راه‌حل مبتنی بر لبه پیاده‌سازی کنید
  • Onboard و مدیریت ناوگان دستگاه‌های لبه در مقیاس
  • بارهای کاری مبتنی بر لبه را در برابر بهترین شیوه‌های صنعت مرور کنید

این کتاب برای چه کسی است

این کتاب برای معماران اینترنت اشیا و مهندسان نرم‌افزار مسئول ارائه تحلیلی و مبتنی بر یادگیری ماشینی است. راه حل های نرم افزاری به لبه. مشتریان AWS که می خواهند راه حل های اینترنت اشیا را یاد بگیرند و بسازند، این کتاب را مفید خواهند یافت. تجربه سطح متوسط ​​با اجرای نرم افزار پایتون در لینوکس برای استفاده حداکثری از این کتاب لازم است.

فهرست محتوا

  1. مقدمه ای بر لبه داده محور با یادگیری ماشینی
  2. مبانی بارهای کاری Edge
  3. ساخت لبه
  4. گسترش ابر تا لبه
  5. بلع و پخش داده ها از لبه
  6. li>
  7. پردازش و مصرف داده‌ها در ابر
  8. مجموعه‌های یادگیری ماشینی در Edge
  9. DevOps و MLOps برای Edge
  10. مدیریت ناوگان در مقیاس< /li>
  11. بررسی راه حل با چارچوب خوش معماری AWS

توضیحاتی درمورد کتاب به خارجی

Explore IoT, data analytics, and machine learning to solve cyber-physical problems using the latest capabilities of managed services such as AWS IoT Greengrass and Amazon SageMaker

Key Features

  • Accelerate your next edge-focused product development with the power of AWS IoT Greengrass
  • Develop proficiency in architecting resilient solutions for the edge with proven best practices
  • Harness the power of analytics and machine learning for solving cyber-physical problems

Book Description

The Internet of Things (IoT) has transformed how people think about and interact with the world. The ubiquitous deployment of sensors around us makes it possible to study the world at any level of accuracy and enable data-driven decision-making anywhere. Data analytics and machine learning (ML) powered by elastic cloud computing have accelerated our ability to understand and analyze the huge amount of data generated by IoT. Now, edge computing has brought information technologies closer to the data source to lower latency and reduce costs.

This book will teach you how to combine the technologies of edge computing, data analytics, and ML to deliver next-generation cyber-physical outcomes. You'll begin by discovering how to create software applications that run on edge devices with AWS IoT Greengrass. As you advance, you'll learn how to process and stream IoT data from the edge to the cloud and use it to train ML models using Amazon SageMaker. The book also shows you how to train these models and run them at the edge for optimized performance, cost savings, and data compliance.

By the end of this IoT book, you'll be able to scope your own IoT workloads, bring the power of ML to the edge, and operate those workloads in a production setting.

What you will learn

  • Build an end-to-end IoT solution from the edge to the cloud
  • Design and deploy multi-faceted intelligent solutions on the edge
  • Process data at the edge through analytics and ML
  • Package and optimize models for the edge using Amazon SageMaker
  • Implement MLOps and DevOps for operating an edge-based solution
  • Onboard and manage fleets of edge devices at scale
  • Review edge-based workloads against industry best practices

Who this book is for

This book is for IoT architects and software engineers responsible for delivering analytical and machine learning–backed software solutions to the edge. AWS customers who want to learn and build IoT solutions will find this book useful. Intermediate-level experience with running Python software on Linux is required to make the most of this book.

Table of Contents

  1. Introduction to the Data-Driven Edge with Machine Learning
  2. Foundations of Edge Workloads
  3. Building the Edge
  4. Extending the Cloud to the Edge
  5. Ingesting and Streaming Data from the Edge
  6. Processing and Consuming Data on the Cloud
  7. Machine Learning Workloads at the Edge
  8. DevOps and MLOps for the Edge
  9. Fleet Management at Scale
  10. Reviewing the Solution with AWS Well-Architected Framework


فهرست مطالب

Cover
Title page
Copyright and Credits
Contributors
About reviewers
Table of Contents
Preface
Section 1: Introduction and Prerequisites
Chapter 1: Introduction to the Data-Driven Edge with Machine Learning
	Living on the edge
		Common concepts for edge solutions
	Bringing ML to the edge
	Tools to get the job done
		Edge runtime
		ML
		Communicating with the edge
	Demand for smart home and industrial IoT
		Smart home use cases
		Industrial use cases
	Setting the scene: A modern smart home solution
	Hands-on prerequisites
		System 1: The edge device
		System 2: Command and control (C2)
	Summary
	Knowledge check
	References
Section 2: Building Blocks
Chapter 2: Foundations of Edge Workloads
	Technical requirements
	The anatomy of an edge ML solution
		Designing code for business logic
		Physical interfaces
		Network interfaces
	IoT Greengrass for the win
		Reviewing IoT Greengrass architecture
	Checking compatibility with IoT Device Tester
		Booting the Raspberry Pi
		Configuring the AWS account and permissions
		Configuring IDT
	Installing IoT Greengrass
		Reviewing what has been created so far
	Creating your first edge component
		Reviewing an existing component
		Writing your first component
	Summary
	Knowledge check
	References
Chapter 3: Building the Edge
	Technical requirements
	Exploring the topology of the edge
	Reviewing common standards and protocols
		IoT Greengrass in the OSI model
		IoT Greengrass in ANSI/ISA-95
		Application layer protocols
		Message format protocols
	Security at the edge
		End devices to your gateway
		The gateway device
		Edge components
	Connecting your first device – sensing at the edge
		Installing the sensor component
		Reviewing the sensor component
	Connecting your second device – actuating at the edge
		Installing the component
		Reviewing the actuator component
	Summary
	Knowledge check
	References
Chapter 4: Extending the Cloud to the Edge
	Technical requirements
	Creating and deploying remotely
		Loading resources from the cloud
		Packaging your components for remote deployment
	Storing logs in the cloud
		Merging component configuration
	Synchronizing the state between the edge and the cloud
		Introduction to device shadows
		Steps to deploy components for state synchronization
		Extending the managed components
	Deploying your first ML model
		Reviewing the ML use case
		Steps to deploy the ML workload
	Summary
	Knowledge check
	References
Chapter 5: Ingesting and Streaming Data from the Edge
	Technical requirements
	Defining data models for IoT workloads
		What is data management?
		What is data modeling?
		How do you design data models for IoT?
		Selecting between ACID or BASE for IoT workloads
		Conceptual modeling of the connected HBS hub
		The logical modeling of the connected HBS hub
		The physical modeling of the connected HBS hub
	Designing data patterns on the edge
		Data storage
		Data integration concepts
		Data flow patterns
		Data flow anti-patterns for the edge
	A hands-on approach with the lab
		Building cloud resources
		Building edge components
		Validating the data streamed from the edge to the cloud
	Additional topics for reference
		Time series databases
		Unstructured data
	Summary
	Knowledge check
	References
Chapter 6: Processing and Consuming Data on the Cloud
	Technical requirements
	Defining big data for IoT workloads
		What is big data processing?
		What is domain-driven design?
		What are the principles to design data workflows using DDD?
	Designing data patterns on the cloud
		Data storage
		Data integration patterns
		Data flow patterns
		Data flow anti-patterns for the cloud
	A hands-on approach with the lab
		Building cloud resources
		Querying the ODS
		Building the analytics workflow
	Summary
	Knowledge check
	References
Chapter 7: Machine Learning Workloads at the Edge
	Technical requirements
	Defining ML for IoT workloads
		What is the history of ML?
		What are the different types of ML systems?
		Taxonomy of ML with IoT workloads
		Why is ML accessible at the edge today?
	Designing an ML workflow in the cloud
		Business understanding and problem framing
		Data collection or integration
		Data preparation
	Data visualization and analytics
		Feature engineering (FE)
		Model training
		Model evaluation and deployment
		ML design principles
		ML anti-patterns for IoT workloads
	Hands-on with ML architecture
		Building the ML workflow
		Deploying the model from cloud to the edge
		Performing ML inferencing on the edge and validating results
	Summary
	Knowledge check
	References
Section 3: Scaling It Up
Chapter 8: DevOps and MLOps for the Edge
	Technical requirements
	Defining DevOps for IoT workloads
		Fundamentals of DevOps
		Relevance of DevOps for IoT and the edge
		DevOps challenges with IoT workloads
	Understanding the DevOps toolchain for the edge
		AWS Lambda at the edge
		Containers for the edge
		Additional toolsets for Greengrass deployments
	MLOps at the edge
		Relevance of MLOps for IoT and the edge
		MLOps challenges for the edge
		Understanding the MLOps toolchain for the edge
	Hands-on with the DevOps architecture
		Deploying the container from the cloud to the edge
	Summary
	Knowledge check
	References
Chapter 9: Fleet Management at Scale
	Technical requirements
	Onboarding a fleet of devices globally
		Registering a certificate authority
		Deciding the provisioning approach
	Managing your device fleet at scale
		Monitor
		Maintenance
		Diagnose
	Getting hands-on with Fleet Hub architecture
		Building the cloud resources
		Deploying the components from the cloud to the edge
		Visualizing the results
	Summary
	Knowledge check
	References
Section 4: Bring It All Together
Chapter 10: Reviewing the Solution with AWS Well-Architected Framework
	Summarizing the key lessons
		Defining edge ML solutions
		Using IoT Greengrass
		Modeling data and ML workloads
		Operating a production solution
	Describing the AWS Well-Architected Framework
	Reviewing the solution
		Reflecting upon the solution
		Applying the framework
	Diving deeper into AWS services
		AWS IoT Greengrass
		AWS IoT services
		Machine learning services
		Ideas for further proficiency
	Summary
	References
Appendix 1 – Answer Key
	Chapter 1
	Chapter 2
	Chapter 3
	Chapter 4
	Chapter 5
	Chapter 6
	Chapter 7
	Chapter 8
	Chapter 9
Index
Other Books You May Enjoy




نظرات کاربران